# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Analisis data ini bertujuan untuk mendapatkan wawasan tersembunyi dari data pemenuhan pesanan pelanggan guna meningkatkan kinerja operasional, penjualan, dan mengidentifikasi korelasi bisnis produk. Dataset yang dieksplorasi mencakup 131,315 baris data transaksi pemenuhan pesanan. **Ringkasan Temuan Kunci:** 1. **Kualitas Data dan Anomali Kritis:** Data secara umum memiliki kualitas yang baik, dengan nol duplikasi baris. Namun, terdapat beberapa kolom yang memiliki nilai kosong yang signifikan, seperti `Keterangan` dan `Nama Penerima` yang 100% kosong, sehingga tidak dapat digunakan. Yang paling krusial adalah anomali pada kolom tanggal pengiriman `Tgl Diterima` yang tercatat lebih awal secara tidak masuk akal dibandingkan `Tgl Logbook` (waktu barang masuk area staging). Anomali ini ditemukan pada 2,897 catatan (2.4% dari total catatan yang memiliki kedua tanggal), dengan rata-rata durasi negatif mencapai -20,255 hari. Ini menunjukkan masalah serius dalam pencatatan waktu pengiriman yang perlu segera diinvestigasi dan diperbaiki, karena berdampak langsung pada keandalan analisis kinerja pengiriman (`Logbook to Received days`). PT CENTURY (66.3%) dan gudang PHARMANET TANGERANG (53.5%) serta PHARMANET MEDAN (18.7%) paling banyak terpengaruh oleh anomali ini. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHAROS MALANG', 'PHAROS MEDAN', 'PHAROS TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.3, 3.0, 4.3, 7.5, 16.6] ``` ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [2.0, 2.8, 3.4, 4.5, 9.2] ``` 2. **Efisiensi Operasional & Pembatalan:** * **Tingkat Pembatalan:** Meskipun secara kuantitas hanya 1.3% dari total pesanan, nilai total pesanan yang dibatalkan mencapai Rp 528,933,612. Produk-produk bernilai tinggi seperti PRORIS 125MG SUPP 10'S dan CATAFLAM 50MG TAB 50'S menonjol sebagai penyumbang terbesar nilai pembatalan. Gudang PHARMANET BEKASI, SURABAYA, dan MEDAN adalah yang paling terdampak oleh pembatalan berdasarkan nilai. * **Durasi Pemenuhan:** Tahap pemrosesan internal (Order ke SP, SP ke DO, DO ke Logbook) umumnya berlangsung cepat, dengan rata-rata di bawah satu hari. Tahap terlama adalah pengiriman terakhir dari Logbook hingga diterima pelanggan (`Logbook to Received days`) dengan rata-rata 1.35 hari. Namun, kinerja spesifik gudang dan ekspedisi pada tahap ini tidak dapat dinilai secara akurat akibat anomali data `Tgl Diterima` yang disebutkan sebelumnya. ```mermaid xychart-beta title "Average Fulfillment Stage Durations (Days)" x-axis ['Order to SP', 'SP to DO', 'DO to Logbook', 'Logbook to Received'] y-axis "Average Days" 0 --> bar [0.02, 0.37, 0.23, 1.35] ``` * **Disparitas Kuantitas:** Hanya 0.27% pesanan sukses yang memiliki perbedaan kuantitas antara pesanan (`Qty RO`) dan surat pesanan (`Qty SP`). Dari jumlah tersebut, mayoritas (75.3%) adalah `Qty RO > Qty SP`, menunjukkan kekurangan pemenuhan di tahap SP. Produk seperti POLYSILANE TAB. KUNYAH 5X8TAB dan PRORIS SUSP 60 ML RASA JERUK, serta gudang PHARMANET BANDUNG dan SURABAYA, adalah yang paling sering mengalami kondisi ini. Untungnya, tidak ada disparitas yang signifikan antara `Qty SP` dan `Qty DO`, menandakan bahwa apa yang direncanakan di SP umumnya terkirim sesuai. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` 3. **Wawasan Pelanggan dan Produk:** * **Segmentasi Pelanggan:** Melalui clustering, empat segmen pelanggan (outlet) berhasil diidentifikasi berdasarkan perilaku pembelian dan kecenderungan pembatalan: * **Klaster 2 (2 outlet):** Pelanggan bernilai sangat tinggi dengan risiko pembatalan terendah (0.8%). Mereka fokus pada produk Pharos (100% nilai transaksi) dan memiliki partisipasi AO YN yang rendah. Ini adalah pelanggan VIP dengan loyalitas tinggi terhadap produk Pharos. * **Klaster 3 (46 outlet):** Pelanggan bernilai tinggi dengan risiko pembatalan rendah (2.1%). Mereka juga sangat menyukai produk Pharos (96.6%) dan secara aktif berpartisipasi dalam program Apotek Online (100% AO YN). * **Klaster 1 (1,292 outlet):** Pelanggan bernilai menengah dengan risiko pembatalan sedang (4.1%). Mereka memiliki preferensi produk campuran (51.1% Pharos) dan partisipasi Apotek Online yang tinggi (100% AO YN). * **Klaster 0 (3,722 outlet):** Pelanggan bernilai menengah dengan risiko pembatalan tertinggi (8.6%). Mereka memiliki preferensi produk campuran (56.2% Pharos) dan partisipasi Apotek Online yang rendah. Klaster ini adalah segmen berisiko tinggi. * **Faktor Pendorong Pembatalan:** * **Metode Pembayaran:** Metode pembayaran "Term Of Payment" menunjukkan tingkat pembatalan tertinggi (1.5%), meskipun nilai pesanan rata-ratanya termasuk yang terendah. Sementara "BCA Virtual Account" memiliki nilai pesanan rata-rata tertinggi, dengan tingkat pembatalan moderat (0.8%). Ini menyarankan perlunya evaluasi risiko dan proses untuk "Term Of Payment". ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis ['BCA Virtual Account', 'BRIVA', 'Kredivo', 'Term Of Payment'] y-axis "Cancellation Rate (%) " 0 --> bar [0.8, 1.0, 0.0, 1.5] ``` * **Produk Pharos YN:** Produk-produk yang diproduksi PT. Pharos memiliki nilai pesanan rata-rata yang jauh lebih tinggi (Rp 557,928) dibandingkan non-Pharos (Rp 312,776). Namun, produk Pharos juga memiliki tingkat pembatalan yang sedikit lebih tinggi (1.1% berbanding 0.7%). ```mermaid xychart-beta title "Cancellation Rate by Pharos YN" x-axis ['N', 'Y'] y-axis "Cancellation Rate (%) " 0 --> bar [0.7, 1.1] ``` * **Partisipasi AO YN:** Outlet yang tidak berpartisipasi dalam Apotek Online (AO YN 'N') memiliki nilai pesanan rata-rata yang lebih tinggi (Rp 458,964) dibandingkan yang berpartisipasi (Rp 363,359). Tingkat pembatalan relatif serupa, dengan sedikit lebih tinggi pada partisipan AO YN (1.0% berbanding 0.9%). ```mermaid xychart-beta title "Cancellation Rate by AO YN" x-axis ['N', 'Y'] y-axis "Cancellation Rate (%) " 0 --> bar [0.9, 1.0] ``` **Rekomendasi Utama:** 1. **Prioritaskan Perbaikan Kualitas Data Pengiriman:** Segera investigasi dan koreksi anomali `Tgl Diterima` dan `Tgl Logbook`, terutama pada ekspedisi PT CENTURY dan gudang PHARMANET TANGERANG dan MEDAN. Kualitas data ini krusial untuk analisis kinerja logistik yang akurat. 2. **Optimalkan Penanganan Pembatalan:** * Fokus pada produk-produk dengan nilai pembatalan tinggi (misalnya PRORIS, CATAFLAM, MICROLAX) untuk memahami akar masalah (misalnya ketersediaan stok, harga, atau kebijakan pengembalian). * Tinjau ulang kebijakan dan proses untuk pembayaran "Term Of Payment" untuk mengurangi tingkat pembatalan yang tinggi pada metode ini. 3. **Strategi Berbasis Segmentasi Pelanggan:** * **Pertahankan Klaster 2 & 3:** Identifikasi outlet-outlet di klaster ini sebagai pelanggan premium. Berikan insentif khusus, layanan prioritas, dan pantau terus kepuasan mereka. Klaster 2 mungkin membutuhkan pendekatan offline yang kuat, sementara Klaster 3 dapat didorong melalui saluran online. * **Mitigasi Risiko Klaster 0:** Klaster ini memiliki risiko pembatalan tertinggi. Lakukan analisis lebih lanjut mengenai penyebab pembatalan pada segmen ini (misalnya harga, layanan, atau masalah stok) dan implementasikan strategi retensi yang ditargetkan atau kebijakan yang disesuaikan. * **Analisis Kinerja Internal Klaster 2:** Investigasi mengapa Klaster 2, sebagai pelanggan bernilai sangat tinggi, mengalami durasi SP ke DO dan DO ke Logbook yang lebih lama. Apakah ada kebutuhan khusus yang menyebabkan penundaan, ataukah ada inefisiensi dalam penanganan pesanan mereka? 4. **Tingkatkan Konsistensi Kuantitas Pesanan:** Meskipun persentasenya kecil, masalah `Qty RO > Qty SP` perlu ditangani. Ini mungkin mengindikasikan masalah stok saat SP dibuat. Perlu koordinasi yang lebih baik antara tim penjualan/pemesanan dan tim logistik/gudang untuk memastikan ketersediaan barang yang akurat pada saat pemesanan atau untuk memberikan komunikasi yang transparan kepada pelanggan jika ada kekurangan stok. Fokus pada gudang PHARMANET BANDUNG dan SURABAYA serta Divisi VIBRANT PBF. ## 2. Pendahuluan & Tujuan Bisnis Dataset ini merangkum detail transaksi pemenuhan pesanan pelanggan yang kaya, mulai dari saat pesanan dibuat hingga produk diterima oleh outlet. Setiap baris data mencatat item produk tunggal dalam suatu pesanan, memberikan gambaran mendalam tentang pergerakan produk, kuantitas, nilai, dan status di setiap tahapan. Data ini adalah aset strategis yang sangat penting untuk memahami efisiensi operasional rantai pasok kami, menganalisis perilaku pembelian pelanggan (outlet), dan mengevaluasi dinamika kinerja katalog produk kami yang beragam. Analisis ini lebih dari sekadar pelacakan angka; ini adalah upaya untuk menerjemahkan peristiwa mentah menjadi wawasan yang dapat ditindaklanjuti untuk mendorong pertumbuhan bisnis dan mengoptimalkan kepuasan pelanggan. ### Tujuan Bisnis Dalam laporan Analisis Data Eksplorasi ini, kami mengemban misi untuk mencapai beberapa tujuan bisnis strategis yang krusial, didukung oleh wawasan berbasis data yang komprehensif: 1. **Meningkatkan Performa Kinerja Operasional:** * **Mengidentifikasi dan Mengatasi Hambatan dalam Proses Pemenuhan Pesanan:** Kami akan secara cermat menelusuri setiap tahapan dalam siklus pemenuhan pesanan—mulai dari Order ke Surat Pesanan (SP), SP ke Delivery Order (DO), DO ke Logbook, hingga Logbook ke Diterima pelanggan—untuk mendeteksi potensi penundaan, inefisiensi, dan area bottleneck yang menghambat kelancaran pengiriman. Misalnya, durasi rata-rata dari Logbook ke Diterima adalah yang terpanjang (1.35 hari), mengindikasikan ini adalah tahap krusial yang memerlukan perhatian khusus untuk dipercepat. * **Mengevaluasi Kinerja Gudang dan Mitra Ekspedisi:** Dengan menganalisis waktu pemrosesan dan tingkat pembatalan berdasarkan gudang asal (`Asal Gudang`) dan nama ekspedisi (`Nama Ekspedisi`), kami dapat mengukur efektivitas mitra logistik dan distribusi internal. Evaluasi ini akan menjadi dasar kuat untuk pengambilan keputusan mengenai alokasi sumber daya, negosiasi kontrak, dan inisiatif perbaikan proses. * **Mengoptimalkan Penanganan Disparitas Kuantitas:** Memahami secara mendalam kapan dan mengapa terjadi perbedaan antara kuantitas yang dipesan (`Qty RO`) dan yang direncanakan di Surat Pesanan (`Qty SP`) atau yang akhirnya dikirim (`Qty DO`) sangat vital. Ini bertujuan untuk mengurangi kejadian pesanan yang tidak terpenuhi penuh, meminimalkan kerugian stok, dan meningkatkan akurasi inventaris. 2. **Mendorong Pertumbuhan Sales dan Mengungkap Korelasi Bisnis Produk:** * **Melakukan Segmentasi Pelanggan Berbasis Perilaku:** Kami akan mengelompokkan pelanggan (outlet) berdasarkan pola pembelian mereka, seperti total nilai transaksi, kuantitas, frekuensi pesanan, preferensi produk (contohnya, apakah mereka cenderung membeli produk Pharos atau non-Pharos), serta kecenderungan pembatalan. Segmentasi ini akan memungkinkan pengembangan strategi pemasaran, penjualan, dan retensi yang jauh lebih bertarget dan efektif. * **Mengidentifikasi Produk Berkinerja Unggul dan Bermasalah:** Melalui analisis produk yang mendalam, kami akan mengidentifikasi produk yang paling sering dipesan, yang paling rentan terhadap pembatalan, atau yang berkorelasi kuat dengan nilai pesanan tinggi. Informasi ini akan menjadi panduan strategis untuk keputusan inventaris, kampanye promosi, dan arah pengembangan produk di masa depan. * **Menganalisis Dampak Program Apotek Online (AO YN):** Kami akan mengevaluasi pengaruh partisipasi outlet dalam program Apotek Online (`AO YN`) terhadap nilai pesanan rata-rata dan tingkat pembatalan. Analisis ini akan membantu mengoptimalkan strategi keterlibatan outlet, mengidentifikasi manfaat nyata program, dan merumuskan cara terbaik untuk meningkatkan partisipasi. 3. **Mengurangi Risiko dan Biaya Bisnis:** * **Menganalisis Akar Masalah Pembatalan Pesanan:** Dengan mengidentifikasi produk, gudang, divisi, atau metode pembayaran yang paling sering terkait dengan pembatalan, kami dapat mengambil langkah proaktif untuk mengurangi tingkat pembatalan. Hal ini akan meminimalkan kerugian penjualan, mengurangi biaya operasional yang tidak perlu (misalnya, biaya pengembalian atau stok mati), dan meningkatkan kepuasan pelanggan. Kami telah menemukan bahwa metode pembayaran "Term Of Payment" menunjukkan tingkat pembatalan tertinggi, yang memerlukan penyelidikan khusus. * **Memperbaiki Kualitas Data yang Kritis:** Adanya anomali data yang signifikan, khususnya terkait dengan kolom tanggal penerimaan barang (`Tgl Diterima`) yang tercatat lebih awal secara tidak masuk akal dibandingkan tanggal logbook (`Tgl Logbook`), adalah masalah data fundamental yang harus segera diatasi. Data yang tidak akurat dapat mengaburkan visibilitas kinerja, menghasilkan analisis yang bias, dan mengarah pada keputusan bisnis yang salah. ### Anomali dan Tantangan Kritis yang Teridentifikasi Awal Selama tahap eksplorasi data awal, sebuah anomali data yang serius telah terungkap, berpotensi memengaruhi akurasi analisis kinerja pengiriman secara signifikan. Kami menemukan bahwa 2,897 catatan (sekitar 2.4%) dari total catatan yang memiliki kedua `Tgl Logbook` dan `Tgl Diterima` menunjukkan bahwa `Tgl Diterima` tercatat *lebih awal* dari `Tgl Logbook`. Anomali ini sangat terkonsentrasi pada beberapa mitra ekspedisi dan gudang, dengan **PT CENTURY** menyumbang 66.3% dari seluruh anomali `Logbook to Received` negatif dan gudang **PHARMANET TANGERANG** serta **PHARMANET MEDAN** menjadi yang paling terdampak, masing-masing menyumbang 53.5% dan 18.7% dari anomali serupa. Rata-rata durasi negatif yang ditemukan sangat ekstrem, bahkan mencapai -20,255 hari, mengindikasikan masalah fundamental dalam proses pencatatan atau sinkronisasi data yang memerlukan investigasi mendalam dan perbaikan segera. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHARMANET MALANG', 'PHARMANET MEDAN', 'PHARMANET TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.34, 3.01, 4.28, 7.49, 16.57] ``` ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [1.98, 2.82, 3.42, 4.55, 9.17] ``` Meskipun tingkat pembatalan keseluruhan relatif rendah pada 1.3%, nilai total pesanan yang dibatalkan mencapai angka signifikan sebesar 528,933,612. Produk-produk seperti **PRORIS 125MG SUPP 10'S** dan **CATAFLAM 50MG TAB 50'S**, serta gudang-gudang seperti **PHARMANET BEKASI**, **SURABAYA**, dan **MEDAN**, menjadi kontributor utama nilai pembatalan ini. Di sisi efisiensi operasional, proses pemenuhan internal (Order ke SP, SP ke DO, DO ke Logbook) umumnya berlangsung cepat, dengan rata-rata di bawah 0.4 hari, sementara tahap Logbook ke Diterima adalah yang terlama dengan rata-rata 1.35 hari. ```mermaid xychart-beta title "Average Fulfillment Stage Durations (Days)" x-axis ['Order to SP', 'SP to DO', 'DO to Logbook', 'Logbook to Received'] y-axis "Average Days" 0 --> bar [0.02, 0.37, 0.23, 1.35] ``` Disparitas kuantitas, meskipun kecil (hanya 0.27% pesanan sukses), juga terdeteksi di awal rantai pemenuhan (antara `Qty RO` dan `Qty SP`). Mayoritas (75.3%) dari disparitas ini menunjukkan `Qty RO > Qty SP`, mengindikasikan adanya kekurangan pemenuhan di tahap SP. Hal ini sering terjadi pada produk seperti **POLYSILANE TAB. KUNYAH 5X8TAB** dan **PRORIS SUSP 60 ML RASA JERUK**, serta di gudang **PHARMANET BANDUNG** dan **SURABAYA**. Untungnya, tidak ada disparitas signifikan yang ditemukan antara `Qty SP` dan `Qty DO`, menandakan bahwa apa yang direncanakan di SP umumnya terkirim sesuai. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` ### Peluang dan Wawasan Awal yang Menjanjikan Terlepas dari tantangan kualitas data, analisis ini menyajikan peluang besar untuk segmentasi pelanggan. Kami telah berhasil mengidentifikasi empat klaster outlet yang berbeda, masing-masing dengan karakteristik unik dalam hal nilai pesanan, preferensi produk, dan kecenderungan pembatalan: | Klaster | Ringkasan Karakteristik Utama | Jumlah Outlet | |:--------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------| | 2 | **Pelanggan Bernilai Sangat Tinggi dengan Risiko Pembatalan Rendah.** Klaster ini menunjukkan fokus 100% pada produk Pharos dan memiliki partisipasi Apotek Online (`AO YN`) yang rendah. Mereka adalah pelanggan VIP yang memiliki loyalitas tinggi terhadap produk-produk Pharos. | 2 | | 3 | **Pelanggan Bernilai Tinggi dengan Risiko Pembatalan Rendah.** Outlet dalam klaster ini juga sangat menyukai produk Pharos (dengan 96.6% nilai transaksi berasal dari produk Pharos) dan secara aktif berpartisipasi dalam program Apotek Online (`AO YN` Y = 100%). Mereka merupakan segmen berharga yang memanfaatkan saluran online. | 46 | | 1 | **Pelanggan Bernilai Menengah dengan Risiko Pembatalan Sedang.** Klaster ini memiliki preferensi produk campuran (sekitar 51.1% nilai transaksi dari produk Pharos) dan menunjukkan partisipasi Apotek Online (`AO YN` Y = 100%) yang tinggi. Mereka adalah segmen yang aktif secara online namun dengan potensi peningkatan loyalitas produk. | 1,292 | | 0 | **Pelanggan Bernilai Menengah dengan Risiko Pembatalan Tertinggi.** Outlet di klaster ini memiliki preferensi produk campuran (sekitar 56.2% nilai transaksi dari produk Pharos) namun partisipasi Apotek Online (`AO YN`) mereka rendah. Klaster ini adalah segmen yang berisiko lebih tinggi dan memerlukan strategi retensi serta mitigasi risiko pembatalan yang lebih proaktif. | 3,722 | Analisis ini akan menjadi landasan yang kuat untuk perumusan rekomendasi yang dapat ditindaklanjuti, mulai dari perbaikan operasional harian hingga pengembangan strategi pelanggan jangka panjang yang lebih efektif. Dengan pendekatan yang kritis dan berbasis data, kami sangat berharap dapat mengungkap wawasan tersembunyi yang akan secara signifikan meningkatkan performa kinerja, sales, dan pemahaman kita tentang korelasi bisnis produk. ## 3. Kualitas Data dan Pra-pemrosesan Kualitas data adalah fondasi utama bagi setiap analisis yang bermakna. Sebelum melangkah lebih jauh dalam menggali wawasan bisnis, penting untuk melakukan pemeriksaan menyeluruh terhadap integritas, kelengkapan, dan konsistensi data. Tahap pra-pemrosesan ini tidak hanya mengidentifikasi potensi masalah, tetapi juga memandu langkah-langkah selanjutnya untuk memastikan bahwa temuan analisis kita akurat dan dapat diandalkan. Dalam bagian ini, kita akan meninjau kondisi data, mengidentifikasi anomali kritis, dan merumuskan strategi penanganan yang diperlukan. ### Tinjauan Umum Kualitas Data Dataset ini terdiri dari **131,315** baris catatan transaksi, yang memberikan volume data yang substansial untuk analisis. Sebuah kabar baik adalah bahwa tidak ditemukan adanya duplikasi baris secara persis pada seluruh kolom, menunjukkan integritas dasar dataset yang kuat. #### Nilai Kosong (Missing Values) Meskipun tidak ada duplikasi, beberapa kolom menunjukkan persentase nilai kosong yang bervariasi: | Kolom | Persentase Kosong | Implikasi & Rekomendasi | |:---------------|------------------:|:----------------------------------------------------------------------------------------| | `Keterangan` | 100.0% | Tidak dapat digunakan. Direkomendasikan untuk dihapus. | | `Nama Penerima`| 100.0% | Tidak dapat digunakan. Direkomendasikan untuk dihapus. | | `Tgl Diterima` | 7.9% | Penting untuk analisis pengiriman. Perlu penanganan atau investigasi lebih lanjut untuk catatan yang kosong. | | `Cmc` | 4.2% | Kode unik outlet. Perlu dipahami mengapa kosong; apakah ini outlet baru atau masalah pencatatan. | | `Value PL` | 1.3% | Nilai penting untuk keuangan. Perlu dicek alasannya, mungkin terkait dengan pembatalan. | | `Tgl Logbook` | 0.5% | Tanggal kunci untuk metrik waktu. | | `Nama Ekspedisi`| 0.5% | Penting untuk analisis kinerja logistik. | | `Tgl Ekspedisi`| 0.4% | Tanggal kunci untuk metrik waktu. | | `Nomor Resi` | 0.4% | Penting untuk pelacakan pengiriman. | | `No. DO` | 0.3% | Nomor dokumen vital. | | `Tgl DO` | 0.3% | Tanggal kunci untuk metrik waktu. | | `No. PL` | 0.3% | Nomor dokumen vital. | | `Tgl. PL` | 0.3% | Tanggal kunci untuk metrik waktu. | | `Kel. Class` | 0.1% | Diabaikan sesuai instruksi; dapat dihapus. | | `Divisi` | 0.0% | Sangat lengkap, hanya ada 7 nilai kosong dari 131,315 baris. | Kolom `Keterangan` dan `Nama Penerima` yang 100% kosong tidak memberikan informasi apa pun dan akan dihapus dari dataset. Kolom `Kel. Class` juga akan dihapus karena instruksi untuk mengabaikannya. Persentase nilai kosong pada kolom tanggal dan informasi logistik seperti `Tgl Diterima`, `Nama Ekspedisi`, dan `Nomor Resi` cukup signifikan dan memerlukan perhatian khusus karena berpotensi memengaruhi analisis kinerja pengiriman. #### Distribusi Nilai untuk Kolom Kategorikal Kunci Analisis distribusi nilai pada kolom kategorikal memberikan gambaran awal tentang pola data: * **`Pharos YN`**: Data terbagi cukup merata antara produk non-Pharos (54.8%) dan Pharos (45.2%), menunjukkan portofolio produk yang seimbang. * **Status Dokumen (`Sts SP Header`, `Sts SP Detail`, `Status DO`, `Status RO`)**: Mayoritas catatan (98.7%) berstatus 'P' (Processed/Terlayani Penuh), sementara 1.3% berstatus 'C' (Cancel). Ini mengindikasikan tingkat pembatalan yang relatif rendah secara volume, namun penting untuk diinvestigasi lebih lanjut mengingat dampaknya terhadap nilai bisnis. * **`AO YN` (Apotek Online)**: Mayoritas outlet (62.9%) tidak berpartisipasi dalam program Apotek Online, sementara 37.1% berpartisipasi. Ini menunjukkan potensi pertumbuhan dalam program AO. * **`Payment`**: Metode "BCA Virtual Account" mendominasi (60.1%), diikuti oleh "Term Of Payment" (27.9%) dan "BRIVA" (12.0%). Adanya Kredivo dengan porsi yang sangat kecil (0.1%) menunjukkan diversifikasi metode pembayaran. * **`Divisi`**: Divisi PHARMANET sangat dominan (84.4%), diikuti oleh HOSPINET (13.6%) dan VIBRANT PBF (2.0%). Ini merefleksikan struktur bisnis perusahaan. * **`Asal Gudang` & `Nama Ekspedisi`**: Menunjukkan distribusi yang beragam di antara beberapa gudang dan ekspedisi teratas, mengindikasikan jaringan logistik yang tersebar. #### Statistik Dasar untuk Kolom Numerik Statistik deskriptif untuk kolom kuantitas dan nilai menunjukkan variasi yang luas: * **`Qty RO`, `Qty SP`, `Qty DO`**: Rata-rata kuantitas per pesanan sekitar 11 unit. Namun, nilai maksimum yang mencapai 7,200 menunjukkan adanya pesanan dalam jumlah besar, dan deviasi standar yang tinggi (sekitar 71) mengindikasikan variabilitas yang signifikan. Minimal kuantitas 0 perlu diperiksa apakah ini merupakan item yang dibatalkan atau data yang tidak valid. * **`Value PL`, `Value RO`**: Nilai pesanan rata-rata sekitar Rp 420,000. Mirip dengan kuantitas, nilai maksimum sangat tinggi (Rp 166,269,792), menunjukkan adanya pesanan bernilai sangat besar. Deviasi standar yang tinggi (sekitar Rp 1,900,000) juga menegaskan variabilitas nilai pesanan. Minimal nilai 0 juga perlu ditinjau. ### Anomali Kritis: Durasi Pengiriman Negatif (`Tgl Diterima` < `Tgl Logbook`) Salah satu temuan paling krusial dan mengkhawatirkan dari pemeriksaan kualitas data adalah anomali pada durasi pengiriman terakhir (`Logbook to Received days`), di mana `Tgl Diterima` tercatat lebih awal dari `Tgl Logbook`. Anomali ini secara langsung memengaruhi keandalan analisis kinerja logistik dan memerlukan investigasi mendalam serta koreksi data. * Dari total **120,805** catatan yang memiliki kedua `Tgl Logbook` dan `Tgl Diterima`, sebanyak **2,897** catatan (sekitar **2.4%**) menunjukkan `Tgl Diterima` lebih awal dari `Tgl Logbook`. * Durasi negatif ini bukan sekadar beberapa jam, melainkan sangat ekstrem: nilai minimum mencapai **-20,635** hari, dengan rata-rata **-20,255** hari dan median **-20,628** hari. Angka-angka ini mustahil secara fisik dan jelas menunjukkan masalah serius pada pencatatan atau sinkronisasi waktu dalam sistem. #### Gudang dan Ekspedisi Paling Terdampak Analisis lebih lanjut mengungkapkan bahwa anomali ini terkonsentrasi pada gudang dan ekspedisi tertentu: **1. Gudang Asal (`Asal Gudang`)** | Asal Gudang | Jumlah Anomali Negatif | Total Catatan Valid | Persentase Anomali dalam Kategori (%) | Persentase dari Seluruh Anomali (%) | |:--------------------|-----------------------:|--------------------:|---------------------------------------:|------------------------------------:| | PHARMANET TANGERANG | 1,550 | 9,352 | 16.6 | 53.5 | | PHARMANET MEDAN | 543 | 7,245 | 7.5 | 18.7 | | PHARMANET MALANG | 100 | 2,335 | 4.3 | 3.5 | | PHARMANET MAKASSAR | 126 | 4,187 | 3.0 | 4.3 | | PHARMANET LAMPUNG | 90 | 3,844 | 2.3 | 3.1 | Gudang **PHARMANET TANGERANG** dan **PHARMANET MEDAN** menyumbang persentase anomali negatif terbesar, baik secara absolut maupun relatif terhadap operasi mereka. Ini menunjukkan bahwa masalah pencatatan tanggal ini mungkin berasal dari proses operasional atau sistem di gudang-gudang tersebut. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHARMANET MALANG', 'PHARMANET MEDAN', 'PHARMANET TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.3, 3.0, 4.3, 7.5, 16.6] ``` **2. Nama Ekspedisi (`Nama Ekspedisi`)** | Nama Ekspedisi | Jumlah Anomali Negatif | Total Catatan Valid | Persentase Anomali dalam Kategori (%) | Persentase dari Seluruh Anomali (%) | |:-------------------------------|-----------------------:|--------------------:|---------------------------------------:|------------------------------------:| | PT CENTURY | 1,921 | 20,955 | 9.2 | 66.3 | | EXPD INTERNAL SEMARANG | 3 | 66 | 4.5 | 0.1 | | ANDALAN 21 EXPRESS | 316 | 9,249 | 3.4 | 10.9 | | EXPD JAKSEL | 35 | 1,239 | 2.8 | 1.2 | | Media Transportasi Logistic | 15 | 759 | 2.0 | 0.5 | **PT CENTURY** bertanggung jawab atas lebih dari dua pertiga (66.3%) dari seluruh anomali durasi negatif ini, menjadikannya mitra ekspedisi yang paling terdampak. Hal ini mungkin mengindikasikan masalah integrasi data atau prosedur pelaporan waktu penerimaan dengan ekspedisi tersebut. ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [2.0, 2.8, 3.4, 4.5, 9.2] ``` #### Implikasi Anomali `Tgl Diterima` Anomali ini sangat krusial karena: * **Menginvalidasi Metrik Kinerja Logistik**: Durasi pengiriman dari `Tgl Logbook` ke `Tgl Diterima` tidak dapat dihitung dengan akurat untuk catatan-catatan ini. Analisis performa ekspedisi dan gudang akan bias jika data ini tidak ditangani. * **Menunjukkan Masalah Sistem/Proses**: Adanya perbedaan tanggal yang ekstrem mengisyaratkan masalah pada sistem pencatatan tanggal, sinkronisasi antar sistem, atau prosedur entri data manual yang perlu diinvestigasi di tingkat operasional. Untuk analisis kinerja selanjutnya, catatan-catatan dengan durasi negatif ini akan dikecualikan dari perhitungan waktu pengiriman `Logbook to Received days`. ### Disparitas Kuantitas Pesanan (`Qty RO`, `Qty SP`, `Qty DO`) Analisis kualitas data juga mencakup pemeriksaan konsistensi kuantitas pada berbagai tahapan pemenuhan pesanan untuk pesanan yang berhasil (`Status RO` = 'TERLAYANI PENUH'). * **`Qty RO` vs `Qty SP`**: Sebanyak **0.27%** atau **348** catatan pesanan sukses menunjukkan adanya perbedaan antara `Qty RO` (kuantitas yang dipesan) dan `Qty SP` (kuantitas yang tercatat di surat pesanan). * Dari jumlah tersebut, mayoritas (**75.3%** atau **262** catatan) menunjukkan **`Qty RO > Qty SP`**. Ini mengindikasikan adanya **kekurangan pemenuhan** pada tahap pembuatan surat pesanan, di mana kuantitas yang direncanakan untuk dipenuhi lebih sedikit dari yang sebenarnya dipesan oleh outlet. * Top 5 produk dengan perbedaan `Qty RO > Qty SP` terbesar adalah `POLYSILANE TAB. KUNYAH 5X8TAB` (total kekurangan 565 unit) dan `PRORIS SUSP 60 ML RASA JERUK` (total kekurangan 546 unit). * Gudang **PHARMANET BANDUNG** (684 unit) dan **PHARMANET SURABAYA** (499 unit) paling banyak mengalami masalah ini. * Divisi **VIBRANT PBF** (1,935 unit) menunjukkan total kekurangan terbesar, diikuti PHARMANET (1,199 unit). * Sisanya (**24.7%** atau **86** catatan) menunjukkan `Qty RO < Qty SP`, di mana kuantitas di surat pesanan lebih banyak dari yang dipesan. Ini juga merupakan anomali yang perlu ditinjau. * **`Qty SP` vs `Qty DO`**: Sangat menggembirakan, tidak ditemukan adanya perbedaan kuantitas antara `Qty SP` (surat pesanan) dan `Qty DO` (delivery order). Ini menunjukkan bahwa apa yang telah direncanakan dan disetujui dalam surat pesanan **selalu berhasil dikirimkan** sesuai kuantitasnya, mencerminkan efisiensi di gudang setelah SP terbentuk. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` Meskipun persentase total `Qty RO != Qty SP` kecil, anomali ini penting untuk ditangani karena dapat mengarah pada ketidakpuasan pelanggan (menerima kurang dari yang dipesan) atau kesalahan inventaris. ### Pra-pemrosesan Data Berdasarkan temuan kualitas data di atas, langkah-langkah pra-pemrosesan yang akan dilakukan meliputi: 1. **Penghapusan Kolom Tidak Relevan/Kosong**: Kolom `Keterangan`, `Nama Penerima`, dan `Kel. Class` akan dihapus karena tidak memiliki nilai atau instruksi untuk diabaikan. 2. **Penanganan Nilai Kosong pada Kolom Kritis**: * Untuk kolom tanggal (`Tgl Diterima`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`), catatan dengan nilai kosong akan dianalisis konteksnya. Jika analisis waktu memerlukan kedua tanggal, catatan dengan salah satu atau kedua tanggal kosong akan dikecualikan dari perhitungan durasi tersebut. * Untuk kolom kategorikal seperti `Cmc`, `Nama Ekspedisi`, `Divisi` dengan persentase kosong yang kecil, nilai kosong dapat diimputasi sebagai 'Unknown' atau 'Tidak Diketahui' untuk mempertahankan jumlah baris data, atau baris tersebut dapat dihapus jika data tidak krusial dan jumlahnya sangat sedikit. Dalam kasus `Divisi` (0.01%), penghapusan tidak akan berdampak signifikan. * Untuk kolom numerik `Value PL`, nilai kosong akan dipertimbangkan untuk diimputasi atau baris dihapus, tergantung pada dampaknya pada analisis nilai. 3. **Penanganan Anomali Durasi Negatif**: Catatan dengan `Logbook to Received days` yang bernilai negatif akan dikecualikan dari perhitungan metrik kinerja pengiriman untuk memastikan akurasi. Namun, catatan-catatan ini akan disimpan dan digunakan untuk analisis akar masalah kualitas data. 4. **Normalisasi Teks**: Memastikan konsistensi format teks (misalnya menghapus tanda kutip ganda/tunggal yang tidak perlu pada nama produk seperti `30'S` menjadi `30S`) untuk analisis yang lebih baik. ### Rekomendasi Kualitas Data 1. **Investigasi Akar Masalah `Tgl Diterima` dan `Tgl Logbook`**: Ini adalah prioritas utama. Perlu adanya audit sistem pencatatan tanggal di gudang **PHARMANET TANGERANG** dan **PHARMANET MEDAN**, serta prosedur pelaporan dari ekspedisi **PT CENTURY**. Identifikasi apakah masalahnya ada pada perbedaan zona waktu, kesalahan entri data, keterlambatan sinkronisasi data antar sistem, atau definisi waktu yang tidak konsisten. 2. **Penyempurnaan Proses Penentuan Kuantitas SP**: Untuk mengurangi insiden `Qty RO > Qty SP`, perlu ditingkatkan koordinasi antara tim penjualan/pemesanan dengan manajemen stok di gudang, terutama di **PHARMANET BANDUNG**, **PHARMANET SURABAYA**, dan Divisi **VIBRANT PBF**. Mekanisme verifikasi stok *real-time* saat pembuatan SP atau komunikasi proaktif ke pelanggan jika ada kekurangan stok dapat membantu. 3. **Standardisasi Entri Data**: Menerapkan validasi data yang lebih ketat pada saat entri untuk kolom-kolom penting seperti tanggal dan kuantitas untuk mencegah anomali serupa di masa mendatang. 4. **Monitor Kolom dengan Nilai Kosong**: Untuk kolom-kolom dengan persentase nilai kosong yang signifikan (misalnya `Tgl Diterima`, `Cmc`), disarankan untuk memonitor tren nilai kosong tersebut dari waktu ke waktu dan menyelidiki penyebabnya untuk meningkatkan kelengkapan data. Dengan mengatasi masalah kualitas data ini, kita akan memastikan bahwa analisis selanjutnya didasarkan pada data yang bersih dan dapat dipercaya, menghasilkan wawasan yang lebih akurat dan rekomendasi bisnis yang lebih efektif. ## 4. Tinjauan Umum Data Berikut adalah tinjauan umum data yang komprehensif, disajikan dengan narasi yang menekankan wawasan bisnis, anomali, dan rekomendasi awal. ### Tinjauan Umum Data Bab ini menyajikan gambaran menyeluruh tentang dataset pemenuhan pesanan pelanggan, `omg_10003_b1_sheet1`, yang menjadi dasar analisis. Kami akan mengeksplorasi struktur data, kelengkapan, distribusi nilai kunci, dan anomali awal yang ditemukan, yang semuanya sangat penting untuk memahami kualitas data dan potensi wawasan bisnis yang dapat digali. #### Struktur dan Kelengkapan Dataset Dataset ini berisi total **131.315** baris catatan, yang merepresentasikan transaksi pemenuhan pesanan secara terperinci. Setiap baris mencatat item produk tunggal dalam suatu pesanan. Pemeriksaan awal menunjukkan tidak adanya duplikasi baris yang sama persis di seluruh kolom, yang mengindikasikan integritas dasar data yang kuat. **Nilai Kosong (Missing Values)** Meskipun integritas dasar terjaga, beberapa kolom menunjukkan persentase nilai kosong yang bervariasi, mengindikasikan area di mana kelengkapan data perlu ditingkatkan: | Kolom | Persentase Kosong | Implikasi & Rekomendasi | |:----------------------|------------------:|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | `Keterangan` | 100.0% | Kolom ini sepenuhnya kosong dan tidak memberikan informasi apa pun. Direkomendasikan untuk dihapus karena tidak relevan. | | `Nama Penerima` | 100.0% | Sama seperti `Keterangan`, kolom ini juga sepenuhnya kosong. Tidak dapat digunakan dan direkomendasikan untuk dihapus. | | `Tgl Diterima` | 7.9% | Ini adalah kolom kritis untuk menganalisis durasi pengiriman terakhir (last-mile delivery). Persentase nilai kosong ini cukup signifikan dan perlu diinvestigasi. Catatan dengan nilai kosong akan dikecualikan dari perhitungan durasi pengiriman, namun penyebab kekosongan ini harus diselidiki untuk perbaikan proses pencatatan. | | `Cmc` | 4.2% | Kode unik outlet. Kekosongan ini dapat menghambat analisis segmentasi pelanggan atau pelacakan performa outlet. Perlu dipahami apakah ini disebabkan oleh outlet baru yang belum terdaftar sepenuhnya atau masalah pencatatan. | | `Value PL` | 1.3% | Nilai finansial dari daftar pengepakan. Kekosongan ini dapat memengaruhi analisis keuangan dan nilai pesanan. Mungkin terkait dengan pesanan yang dibatalkan atau data yang belum lengkap. | | `Tgl Logbook` | 0.5% | Tanggal pencatatan barang di area staging gudang. Penting untuk metrik waktu proses logistik internal. Kekosongan ini relatif kecil namun tetap memengaruhi perhitungan durasi. | | `Nama Ekspedisi` | 0.5% | Nama pihak ketiga yang bertanggung jawab atas pengiriman. Vital untuk analisis kinerja ekspedisi. Kekosongan ini perlu diisi atau diinvestigasi untuk memastikan semua pengiriman teridentifikasi ekspedisinya. | | `Tgl Ekspedisi` | 0.4% | Tanggal barang diserahkan ke ekspedisi. Bersama `Tgl Logbook` dan `Tgl Diterima`, ini membentuk rantai waktu pengiriman. | | `Nomor Resi` | 0.4% | Nomor pelacakan pengiriman. Penting untuk layanan pelanggan dan verifikasi pengiriman. | | `No. DO` | 0.3% | Nomor dokumen vital untuk identifikasi pengiriman. | | `Tgl DO` | 0.3% | Tanggal Delivery Order diterbitkan. Bagian dari metrik waktu internal. | | `No. PL` | 0.3% | Nomor dokumen Packing List. | | `Tgl. PL` | 0.3% | Tanggal Packing List diterbitkan. | | `Kel. Class` | 0.1% | Sesuai instruksi, kolom ini diabaikan dan akan dihapus. | | `Divisi` | 0.0% | Sangat lengkap, hanya sekitar 7 baris yang kosong dari 131.315 total. Ini menunjukkan data `Divisi` sangat andal. | Berdasarkan analisis ini, kolom `Keterangan`, `Nama Penerima`, dan `Kel. Class` akan dihapus dari dataset karena tidak relevan atau sepenuhnya kosong. Kolom dengan nilai kosong yang signifikan dan krusial untuk analisis (misalnya tanggal dan detail logistik) akan memerlukan penanganan khusus (seperti pengecualian dari perhitungan atau imputasi) untuk menjaga integritas analisis. #### Distribusi Nilai Kunci Analisis distribusi nilai pada kolom kategorikal utama memberikan wawasan awal tentang pola operasional dan perilaku: * **`Pharos YN`**: Mayoritas produk (54.8%) adalah non-Pharos (`N`), sementara 45.2% adalah produk Pharos (`Y`). Ini menunjukkan portofolio produk yang seimbang antara produk internal dan eksternal. * **Status Dokumen (`Sts SP Header`, `Sts SP Detail`, `Status DO`, `Status RO`)**: Sebanyak 98.7% dari semua catatan berada dalam status 'P' (Processed/Terlayani Penuh), sementara 1.3% berstatus 'C' (Cancel). Ini mengindikasikan tingkat pembatalan yang relatif rendah secara volume, tetapi nilai finansial dari pembatalan ini tetap perlu diperhatikan. Status yang konsisten di seluruh tahapan SP dan DO menunjukkan proses yang terintegrasi dengan baik untuk pelacakan status. * **`AO YN` (Apotek Online)**: Mayoritas outlet (62.9%) tidak berpartisipasi dalam program Apotek Online (`N`), sementara 37.1% berpartisipasi (`Y`). Ini menunjukkan peluang besar untuk meningkatkan adopsi program Apotek Online. * **Metode Pembayaran (`Payment`)**: "BCA Virtual Account" adalah metode pembayaran yang paling dominan (60.1%), diikuti oleh "Term Of Payment" (27.9%) dan "BRIVA" (12.0%). Keberadaan "Kredivo" (0.1%) menunjukkan adanya diversifikasi kecil dalam opsi pembayaran. * **Divisi Operasional (`Divisi`)**: Divisi "PHARMANET" sangat dominan, menyumbang 84.4% dari seluruh transaksi. Diikuti oleh "HOSPINET" (13.6%) dan "VIBRANT PBF" (2.0%), yang menunjukkan struktur bisnis yang terkonsentrasi pada divisi PHARMANET. * **Asal Gudang (`Asal Gudang`)**: Distribusi transaksi tersebar di beberapa gudang, dengan PHARMANET SURABAYA (10.3%), PHARMANET BEKASI (9.7%), dan PHARMANET BANDUNG (7.3%) sebagai tiga gudang teratas berdasarkan volume transaksi. * **Nama Ekspedisi (`Nama Ekspedisi`)**: Anteraja menjadi ekspedisi yang paling banyak digunakan (19.5%), diikuti oleh PT CENTURY (16.4%) dan LION PARCEL (14.1%). Ini menunjukkan adanya beberapa mitra logistik utama. #### Statistik Deskriptif Kolom Numerik Statistik deskriptif untuk kolom kuantitas dan nilai memberikan gambaran tentang skala transaksi: | Kolom | Count | Mean | Std | Min | 25% | 50% | 75% | Max | |:-----------|:-----------|:----------|:----------|:----|:----|:----|:----|:------------| | `Qty RO` | 131.315 | 11 | 72 | 0 | 1 | 3 | 6 | 7.200 | | `Qty SP` | 131.315 | 11 | 71 | 0 | 1 | 3 | 6 | 7.200 | | `Qty DO` | 131.315 | 11 | 71 | 0 | 1 | 3 | 6 | 7.200 | | `Value PL` | 129.575 | 425.090 | 1.935.299 | 0 | 71.706 | 145.203 | 318.443 | 166.269.792 | | `Value RO` | 131.315 | 423.485 | 1.926.521 | 0 | 71.068 | 144.590 | 317.193 | 166.269.792 | * **Kuantitas (`Qty RO`, `Qty SP`, `Qty DO`)**: Rata-rata kuantitas per pesanan adalah sekitar 11 unit. Namun, deviasi standar yang tinggi (sekitar 71-72) dan nilai maksimum yang mencapai 7.200 unit menunjukkan variabilitas yang sangat besar dalam ukuran pesanan. Adanya nilai minimum 0 untuk kuantitas perlu diperiksa; ini mungkin merupakan catatan pembatalan atau data yang tidak lengkap. Konsistensi rata-rata, standar deviasi, dan kuartil antara `Qty RO`, `Qty SP`, dan `Qty DO` menunjukkan bahwa secara umum, kuantitas yang dipesan cenderung konsisten dengan apa yang direncanakan dan dikirim. * **Nilai Pesanan (`Value PL`, `Value RO`)**: Rata-rata nilai pesanan sekitar Rp 420.000. Mirip dengan kuantitas, nilai maksimum sangat tinggi (Rp 166.269.792), menunjukkan adanya pesanan bernilai sangat besar. Deviasi standar yang tinggi (sekitar Rp 1.900.000) kembali menegaskan variabilitas nilai pesanan yang signifikan. Minimal nilai 0 juga perlu ditinjau. #### Anomali Kritis: Durasi Pengiriman Negatif (`Tgl Diterima` < `Tgl Logbook`) Salah satu temuan paling krusial dan mengkhawatirkan dari tinjauan umum data adalah anomali pada durasi pengiriman terakhir, yang dihitung dari `Tgl Logbook` (barang masuk area staging) hingga `Tgl Diterima` (barang diterima pelanggan). Kami menemukan bahwa `Tgl Diterima` tercatat lebih awal dari `Tgl Logbook` untuk sejumlah catatan. Ini adalah indikasi masalah fundamental dalam pencatatan waktu yang sangat memengaruhi keandalan analisis kinerja logistik. * Dari total **120.805** catatan yang memiliki kedua `Tgl Logbook` dan `Tgl Diterima`, sebanyak **2.897** catatan (sekitar **2.4%**) menunjukkan `Tgl Diterima` yang lebih awal. * Durasi negatif ini tidak hanya sekadar beberapa jam, melainkan sangat ekstrem. Statistik deskriptif untuk durasi negatif ini (dalam hari) adalah: * Minimum: -20.635 hari * Maksimum: 0 hari * Rata-rata: -20.255 hari * Median: -20.628 hari Angka-angka ini mustahil secara fisik dan jelas menunjukkan masalah serius pada pencatatan, sinkronisasi data antar sistem, atau prosedur entri data manual yang memerlukan investigasi mendalam dan perbaikan segera. **Distribusi Anomali Durasi Negatif Berdasarkan Gudang dan Ekspedisi** Analisis lebih lanjut mengungkapkan bahwa anomali ini terkonsentrasi pada gudang dan ekspedisi tertentu: **1. Top 10 `Asal Gudang` berdasarkan Persentase Durasi Negatif dalam operasinya:** | Asal Gudang | negative_count | total_valid_records | percentage_of_negative_in_category | percentage_of_all_negatives | |:--------------------|---------------:|--------------------:|-----------------------------------:|----------------------------:| | PHARMANET TANGERANG | 1.550 | 9.352 | 16.6 | 53.5 | | PHARMANET MEDAN | 543 | 7.245 | 7.5 | 18.7 | | PHARMANET MALANG | 100 | 2.335 | 4.3 | 3.5 | | PHARMANET MAKASSAR | 126 | 4.187 | 3.0 | 4.3 | | PHARMANET LAMPUNG | 90 | 3.844 | 2.3 | 3.1 | | PHARMANET JAKSEL | 35 | 2.076 | 1.7 | 1.2 | | PHARMANET PONTIANAK | 58 | 3.441 | 1.7 | 2.0 | | PHARMANET JAMBI | 32 | 2.834 | 1.1 | 1.1 | | PHARMANET SAMARINDA | 33 | 3.019 | 1.1 | 1.1 | | PHARMANET PEKANBARU | 49 | 5.967 | 0.8 | 1.7 | Gudang **PHARMANET TANGERANG** dan **PHARMANET MEDAN** menyumbang persentase anomali negatif terbesar, baik secara absolut maupun relatif terhadap total catatan valid mereka. PHARMANET TANGERANG, khususnya, menyumbang lebih dari separuh (53.5%) dari seluruh anomali `Logbook to Received` negatif. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHARMANET MALANG', 'PHARMANET MEDAN', 'PHARMANET TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.34, 3.01, 4.28, 7.49, 16.57] ``` **2. Top 10 `Nama Ekspedisi` berdasarkan Persentase Durasi Negatif dalam operasinya:** | Nama Ekspedisi | negative_count | total_valid_records | percentage_of_negative_in_category | percentage_of_all_negatives | |:-------------------------------|---------------:|--------------------:|-----------------------------------:|----------------------------:| | PT CENTURY | 1.921 | 20.955 | 9.2 | 66.3 | | EXPD INTERNAL SEMARANG | 3 | 66 | 4.5 | 0.1 | | ANDALAN 21 EXPRESS | 316 | 9.249 | 3.4 | 10.9 | | EXPD JAKSEL | 35 | 1.239 | 2.8 | 1.2 | | Media Transportasi Logistic | 15 | 759 | 2.0 | 0.5 | | INDAH LOGISTIK | 147 | 8.578 | 1.7 | 5.1 | | PCP EXPRESS | 214 | 14.457 | 1.5 | 7.4 | | PT. TUNAS ANTARNUSA MUDA KARGO | 87 | 6.356 | 1.4 | 3.0 | | GLOBALINDO 21 EXPRESS | 45 | 5.117 | 0.9 | 1.6 | | Anteraja | 97 | 24.874 | 0.4 | 3.3 | **PT CENTURY** bertanggung jawab atas lebih dari dua pertiga (66.3%) dari seluruh anomali durasi negatif ini, menjadikannya mitra ekspedisi yang paling terdampak. Hal ini mungkin mengindikasikan masalah integrasi data atau prosedur pelaporan waktu penerimaan dengan ekspedisi tersebut. ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [1.98, 2.82, 3.42, 4.55, 9.17] ``` **Distribusi Anomali Durasi Negatif Berdasarkan Kategori Lain** * **Divisi**: Meskipun PHARMANET menyumbang sebagian besar anomali (83.2% dari total anomali negatif), divisi VIBRANT 3 memiliki persentase anomali negatif tertinggi relatif terhadap operasinya sendiri (11.1%). * **Metode Pembayaran**: BCA Virtual Account memiliki jumlah anomali negatif terbanyak (71.8% dari total anomali negatif), kemungkinan karena volume transaksinya yang tinggi. * **Partisipasi AO YN**: Outlet yang tidak berpartisipasi dalam AO YN (`N`) menyumbang sebagian besar anomali negatif (59.0%), tetapi persentase anomali dalam kategori mereka (`Y`: 2.6%, `N`: 2.3%) relatif serupa. * **Produk (`Prodes`)**: Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB` (78 catatan) dan `PRORIS SUSP 60 ML RASA JERUK` (63 catatan) adalah yang paling sering terkait dengan anomali durasi negatif ini. **Implikasi Bisnis Anomali Durasi Negatif:** Anomali ini sangat krusial karena secara langsung: 1. **Menginvalidasi Metrik Kinerja Logistik**: Durasi pengiriman dari `Tgl Logbook` ke `Tgl Diterima` tidak dapat dihitung dengan akurat untuk catatan-catatan ini. Analisis performa ekspedisi dan gudang akan bias dan tidak dapat diandalkan jika data ini tidak ditangani. 2. **Menunjukkan Masalah Sistem/Proses**: Adanya perbedaan tanggal yang ekstrem mengisyaratkan masalah serius pada sistem pencatatan tanggal, sinkronisasi antar sistem, atau prosedur entri data manual yang perlu diinvestigasi di tingkat operasional. Untuk analisis kinerja selanjutnya, catatan-catatan dengan `Logbook to Received days` yang bernilai negatif akan dikecualikan dari perhitungan metrik kinerja pengiriman untuk memastikan akurasi. Namun, catatan-catatan ini akan disimpan dan digunakan untuk analisis akar masalah kualitas data. #### Disparitas Kuantitas dalam Proses Pemenuhan Pesanan Analisis kualitas data juga mencakup pemeriksaan konsistensi kuantitas pada berbagai tahapan pemenuhan pesanan untuk pesanan yang berhasil (`Status RO` = 'TERLAYANI PENUH'). * **`Qty RO` vs `Qty SP`**: Sebanyak **0.3%** atau **348** catatan pesanan sukses menunjukkan adanya perbedaan antara `Qty RO` (kuantitas yang dipesan) dan `Qty SP` (kuantitas yang tercatat di surat pesanan). * Dari jumlah tersebut, mayoritas (**75.3%** atau **262** catatan) menunjukkan **`Qty RO > Qty SP`**. Ini mengindikasikan adanya **kekurangan pemenuhan** pada tahap pembuatan surat pesanan, di mana kuantitas yang direncanakan untuk dipenuhi lebih sedikit dari yang sebenarnya dipesan oleh outlet. * Top 5 produk dengan perbedaan `Qty RO > Qty SP` terbesar (total kekurangan kuantitas): | Prodes | RO_SP_Discrepancy | |:-------------------------------|------------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 565 | | PRORIS SUSP 60 ML RASA JERUK | 546 | | MEDISIO 36% CONCENTRATE 5ML | 344 | | POLYSILANE SUSP 180 ML | 180 | | PRAXION 250MG/5ML FORTE 60 ML | 131 | * Top 5 `Asal Gudang` dengan `Qty RO > Qty SP` terbesar: | Asal Gudang | RO_SP_Discrepancy | |:--------------------|------------------:| | PHARMANET BANDUNG | 684 | | PHARMANET SURABAYA | 499 | | PHARMANET PALEMBANG | 435 | | PHARMANET TANGERANG | 333 | | PHARMANET JAKTIM | 203 | * Top 5 `Divisi` dengan `Qty RO > Qty SP` terbesar: | Divisi | RO_SP_Discrepancy | |:------------|------------------:| | VIBRANT PBF | 1.935 | | PHARMANET | 1.199 | | HOSPINET | 101 | * Sisanya (**24.7%** atau **86** catatan) menunjukkan **`Qty RO < Qty SP`**, di mana kuantitas di surat pesanan lebih banyak dari yang dipesan. Ini juga merupakan anomali yang perlu ditinjau. * **`Qty SP` vs `Qty DO`**: Sangat menggembirakan, tidak ditemukan adanya perbedaan kuantitas antara `Qty SP` (surat pesanan) dan `Qty DO` (delivery order). Ini menunjukkan bahwa apa yang telah direncanakan dan disetujui dalam surat pesanan **selalu berhasil dikirimkan** sesuai kuantitasnya, mencerminkan efisiensi yang tinggi di gudang setelah SP terbentuk. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` Meskipun persentase total `Qty RO != Qty SP` kecil, anomali ini penting untuk ditangani karena dapat mengarah pada ketidakpuasan pelanggan (menerima kurang dari yang dipesan) atau kesalahan inventaris. #### Kesimpulan Tinjauan Umum Data Secara keseluruhan, dataset pemenuhan pesanan ini memiliki struktur yang solid dengan nol duplikasi baris. Namun, terdapat beberapa area yang memerlukan perhatian khusus dalam hal kualitas data, terutama: 1. **Anomali `Tgl Diterima` vs `Tgl Logbook`**: Ini adalah masalah paling krusial yang mengganggu keandalan metrik kinerja logistik. Penyelidikan mendalam terhadap penyebabnya pada PHARMANET TANGERANG, PHARMANET MEDAN, dan ekspedisi PT CENTURY adalah prioritas utama. 2. **Nilai Kosong pada Kolom Kritis**: Kekosongan pada `Tgl Diterima`, `Cmc`, dan `Nama Ekspedisi` memerlukan investigasi dan perbaikan proses pencatatan. 3. **Disparitas `Qty RO` vs `Qty SP`**: Meskipun persentasenya kecil, ini mengindikasikan potensi masalah ketersediaan stok atau koordinasi antara tim penjualan dan logistik, khususnya pada Divisi VIBRANT PBF serta gudang PHARMANET BANDUNG dan SURABAYA. Dengan mengatasi masalah kualitas data ini, kita akan dapat memastikan bahwa analisis lebih lanjut didasarkan pada data yang bersih dan dapat dipercaya, menghasilkan wawasan yang lebih akurat dan rekomendasi bisnis yang lebih efektif untuk meningkatkan performa operasional, penjualan, dan kepuasan pelanggan. ## 5. Analisis Pembatalan Pesanan Pembatalan pesanan, meskipun seringkali dianggap sebagai bagian yang tak terhindarkan dari setiap operasi bisnis, merupakan area krusial yang menelan pendapatan dan mengindikasikan potensi masalah dalam rantai pasok atau kepuasan pelanggan. Dalam bab ini, kita akan menggali lebih dalam mengenai pola dan faktor-faktor yang berkontribusi terhadap pembatalan pesanan, menganalisis nilai finansial yang hilang, serta mengidentifikasi produk, divisi, gudang, dan segmen pelanggan yang paling terdampak. Secara keseluruhan, data menunjukkan tingkat pembatalan pesanan yang relatif rendah secara kuantitas, yaitu **1.3%** dari total pesanan. Namun, ketika diterjemahkan ke dalam nilai finansial, total nilai pesanan yang dibatalkan mencapai angka yang signifikan: **Rp 528.933.612**. Ini menegaskan pentingnya analisis mendalam untuk memahami akar penyebab di balik pembatalan ini dan merumuskan strategi pencegahan yang efektif. Pembatalan ini teridentifikasi ketika `Status RO`, `Sts SP Header`, `Sts SP Detail`, atau `Status DO` bernilai 'CANCEL' atau 'C'. ### Produk dan Operasi yang Paling Terdampak Pembatalan Pembatalan pesanan tidak terjadi secara merata; beberapa produk, divisi, dan gudang menunjukkan proporsi nilai pembatalan yang jauh lebih tinggi dibandingkan yang lain. Ini bisa menjadi indikator adanya masalah spesifik seperti ketersediaan stok, isu kualitas produk, atau inefisiensi operasional. #### Produk dengan Nilai Pembatalan Tertinggi Analisis menunjukkan bahwa produk-produk tertentu menyumbang porsi terbesar dari total nilai pesanan yang dibatalkan. Ini bisa mengindikasikan isu terkait produk tersebut (misalnya, ketersediaan yang tidak stabil, harga, atau permintaan yang fluktuatif). | Produk (Prodes) | Nilai Pembatalan (Rp) | |:-----------------------------------|-----------------------:| | PRORIS 125MG SUPP 10'S | 81,491,848 | | CATAFLAM 50MG TAB 50'S | 32,244,616 | | NOURISH SKIN ULTIMATE 30'S | 31,518,836 | | MICROLAX GEL OBAT PENCAHAR 5ML | 29,378,319 | | MEFINAL 500MG CAP 100'S | 23,612,058 | Produk-produk seperti PRORIS 125MG SUPP 10'S, CATAFLAM 50MG TAB 50'S, dan NOURISH SKIN ULTIMATE 30'S secara konsisten muncul sebagai kontributor utama dalam nilai pembatalan. Ini menyoroti perlunya penyelidikan lebih lanjut terkait manajemen stok, perkiraan permintaan, atau bahkan strategi penetapan harga untuk produk-produk ini. #### Divisi yang Paling Terdampak Pembatalan Divisi PHARMANET menyumbang sebagian besar nilai pembatalan, yang sejalan dengan dominasinya dalam total transaksi. Namun, penting untuk melihat proporsi nilai pembatalan relatif terhadap total penjualan masing-masing divisi. | Divisi | Nilai Pembatalan (Rp) | |:------------|-----------------------:| | PHARMANET | 368,174,962 | | VIBRANT PBF | 80,896,451 | | HOSPINET | 67,353,959 | | VIBRANT 3 | 12,508,240 | Meskipun PHARMANET memiliki nilai pembatalan tertinggi secara absolut, divisi VIBRANT PBF dan HOSPINET juga menunjukkan angka yang signifikan, mengindikasikan bahwa pembatalan adalah masalah lintas divisi yang perlu ditangani secara strategis. #### Gudang Asal dengan Nilai Pembatalan Tertinggi Efisiensi operasional gudang dan ketersediaan stok sangat memengaruhi tingkat pembatalan. Beberapa gudang menunjukkan nilai pembatalan yang sangat tinggi, yang bisa menjadi sinyal masalah internal seperti pengelolaan stok yang buruk, akurasi inventaris, atau proses pemenuhan yang lambat. | Asal Gudang | Nilai Pembatalan (Rp) | Tingkat Pembatalan (%) | |:----------------------|-----------------------:|-----------------------:| | PHARMANET BEKASI | 100,538,048 | 1.0 | | PHARMANET SURABAYA | 70,113,164 | 1.2 | | PHARMANET MEDAN | 68,992,867 | 2.5 | | PHARMANET TANGERANG | 61,713,713 | 2.6 | | PHARMANET BOGOR | 41,654,421 | 1.4 | Gudang PHARMANET TANGERANG dan MEDAN tidak hanya memiliki nilai pembatalan yang tinggi, tetapi juga tingkat pembatalan relatif yang lebih tinggi (2.6% dan 2.5%). Hal ini memerlukan investigasi lebih lanjut terhadap proses operasional, manajemen stok, atau akurasi data inventaris di gudang-gudang tersebut. Perlu diingat bahwa gudang PHARMANET TANGERANG dan MEDAN juga merupakan gudang yang paling terdampak oleh anomali data `Tgl Diterima` < `Tgl Logbook` yang dibahas di bab sebelumnya. Meskipun anomali tanggal tidak secara langsung menyebabkan pembatalan, ini menunjukkan potensi masalah dalam sistem atau operasional di lokasi tersebut yang mungkin berkontribusi pada berbagai jenis inefisiensi, termasuk pembatalan. ### Pengaruh Faktor Lain pada Pembatalan Beberapa faktor eksternal dan internal juga menunjukkan korelasi dengan tingkat pembatalan. Memahami pengaruh ini dapat membantu dalam merumuskan strategi yang lebih terarah. #### Metode Pembayaran Metode pembayaran yang digunakan oleh pelanggan dapat mencerminkan tingkat komitmen mereka atau bahkan risiko penipuan. | Metode Pembayaran | Rata-rata Nilai RO (Rp) | Tingkat Pembatalan (%) | |:--------------------|:------------------------|:-----------------------| | BCA Virtual Account | 534,213 | 0.8 | | BRIVA | 344,681 | 1.0 | | Kredivo | 153,010 | 0.0 | | Term Of Payment | 219,815 | 1.5 | ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis ['BCA Virtual Account', 'BRIVA', 'Kredivo', 'Term Of Payment'] y-axis "Cancellation Rate (%) " 0 --> bar [0.8, 1.0, 0.0, 1.5] ``` **Temuan Kritis**: Metode pembayaran **"Term Of Payment"** menunjukkan tingkat pembatalan tertinggi (1.5%), meskipun rata-rata nilai pesanannya relatif rendah dibandingkan "BCA Virtual Account". Ini bisa menjadi indikasi perlunya evaluasi ulang terhadap kebijakan kredit atau proses verifikasi untuk pembayaran dengan Term Of Payment. Sementara itu, "Kredivo" menunjukkan tingkat pembatalan 0.0%, namun perlu dicatat bahwa jumlah transaksinya juga sangat kecil. "BCA Virtual Account" memiliki rata-rata nilai pesanan tertinggi dengan tingkat pembatalan yang relatif rendah (0.8%), menunjukkan bahwa pelanggan yang menggunakan metode ini cenderung lebih berkomitmen pada pesanan mereka. #### Partisipasi Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online (AO YN) menunjukkan perbedaan dalam perilaku pembelian dan pembatalan. | AO YN | Rata-rata Nilai RO (Rp) | Tingkat Pembatalan (%) | |:--------|:------------------------|:-----------------------| | N | 458,964 | 0.9 | | Y | 363,359 | 1.0 | ```mermaid xychart-beta title "Cancellation Rate by AO YN" x-axis ['N', 'Y'] y-axis "Cancellation Rate (%) " 0 --> bar [0.9, 1.0] ``` Outlet yang tidak berpartisipasi dalam AO YN (`N`) memiliki rata-rata nilai pesanan yang lebih tinggi dibandingkan dengan yang berpartisipasi (`Y`). Tingkat pembatalan sedikit lebih tinggi pada outlet yang berpartisipasi AO YN (1.0% vs 0.9%), meskipun perbedaannya tidak terlalu signifikan. Ini mungkin mengindikasikan bahwa pelanggan AO YN cenderung membuat pesanan yang lebih kecil dan mungkin lebih sering membatalkan, atau bahwa proses pembatalan lebih mudah di platform online. #### Produk Pharos (Pharos YN) Produk yang diproduksi oleh PT. Pharos (`Y`) dibandingkan dengan produk non-Pharos (`N`) juga menunjukkan pola pembatalan yang berbeda. | Pharos YN | Rata-rata Nilai RO (Rp) | Tingkat Pembatalan (%) | |:------------|-------------------------|------------------------| | N | 312,776 | 0.7 | | Y | 557,928 | 1.1 | ```mermaid xychart-beta title "Cancellation Rate by Pharos YN" x-axis ['N', 'Y'] y-axis "Cancellation Rate (%) " 0 --> bar [0.7, 1.1] ``` Produk Pharos (`Y`) memiliki rata-rata nilai pesanan yang jauh lebih tinggi dibandingkan produk non-Pharos (`N`). Namun, tingkat pembatalan untuk produk Pharos juga sedikit lebih tinggi (1.1% vs 0.7%). Ini mungkin disebabkan oleh sifat produk Pharos yang cenderung bernilai lebih tinggi, yang mungkin membuatnya lebih rentan terhadap pembatalan karena faktor harga atau ketersediaan. ### Pembatalan Berdasarkan Segmentasi Pelanggan (Klaster) Analisis segmentasi pelanggan di bab sebelumnya mengungkapkan empat klaster outlet yang berbeda. Memahami tingkat pembatalan dan produk yang dibatalkan di setiap klaster akan membantu dalam mengembangkan strategi yang lebih tepat sasaran. #### Tingkat Pembatalan per Klaster | Klaster | Tingkat Pembatalan (%) | |:----------|:-----------------------| | 0 | 1.1 | | 1 | 1.0 | | 2 | 0.5 | | 3 | 0.4 | Klaster 2 dan 3, yang merupakan pelanggan bernilai sangat tinggi dan tinggi, menunjukkan tingkat pembatalan yang paling rendah (0.5% dan 0.4%). Ini sejalan dengan karakteristik mereka sebagai pelanggan VIP dengan loyalitas tinggi. Sebaliknya, Klaster 0, yang merupakan pelanggan bernilai menengah dengan partisipasi AO YN rendah, memiliki tingkat pembatalan tertinggi (1.1%). #### Produk yang Paling Sering Dibatalkan per Klaster Analisis produk yang dibatalkan di setiap klaster memberikan wawasan tentang preferensi dan masalah spesifik segmen pelanggan tersebut. **Klaster 0 - Top 5 Produk Dibatalkan (berdasarkan Nilai)** Klaster ini memiliki tingkat pembatalan tertinggi dan mayoritas tidak berpartisipasi dalam AO YN. | Produk (Prodes) | Nilai RO (Rp) | |:-----------------------------------|:--------------| | PRORIS 125MG SUPP 10'S | 29,190,364 | | MICROLAX GEL OBAT PENCAHAR 5ML | 18,333,821 | | CATAFLAM 50MG TAB 50'S | 17,927,316 | | VOMARIN FLASH TAB 50'S | 16,077,281 | | MEFINAL 500MG CAP 100'S | 14,713,400 | **Klaster 1 - Top 5 Produk Dibatalkan (berdasarkan Nilai)** Klaster ini adalah pelanggan bernilai menengah dengan partisipasi AO YN tinggi. | Produk (Prodes) | Nilai RO (Rp) | |:-----------------------------------|:--------------| | PRORIS 125MG SUPP 10'S | 52,301,484 | | CATAFLAM 50MG TAB 50'S | 14,317,300 | | MICROLAX GEL OBAT PENCAHAR 5ML | 11,044,498 | | MEFINAL 500MG CAP 100'S | 8,898,658 | | VOMARIN FLASH TAB 50'S | 3,911,239 | Produk-produk seperti PRORIS 125MG SUPP 10'S, CATAFLAM 50MG TAB 50'S, MICROLAX GEL OBAT PENCAHAR 5ML, dan MEFINAL 500MG CAP 100'S secara konsisten muncul di daftar produk yang dibatalkan di Klaster 0 dan Klaster 1, yang merupakan segmen pelanggan terbesar. Hal ini mengindikasikan bahwa masalah terkait produk-produk ini (kemungkinan ketersediaan atau harga) bersifat umum di sebagian besar basis pelanggan. **Klaster 2 - Top 3 Produk Dibatalkan (berdasarkan Nilai)** Klaster ini adalah pelanggan bernilai sangat tinggi dengan risiko pembatalan terendah, fokus pada produk Pharos, dan partisipasi AO YN rendah. | Produk (Prodes) | Nilai RO (Rp) | |:-----------------------------------|:--------------| | NOURISH SKIN ULTIMATE 30'S | 9,868,457 | | VEGEBLEND 21JR VEG.EXTR.30'S | 1,783,872 | | NERIPROS 1MG TAB 30'S | 414,552 | Meskipun tingkat pembatalan Klaster 2 rendah, produk NOURISH SKIN ULTIMATE 30'S menyumbang nilai pembatalan yang signifikan di klaster ini. Ini mungkin menunjukkan bahwa, bahkan untuk pelanggan VIP, ada tantangan tertentu dalam pemenuhan atau preferensi produk tersebut. **Klaster 3 - Top 5 Produk Dibatalkan (berdasarkan Nilai)** Klaster ini adalah pelanggan bernilai tinggi dengan risiko pembatalan rendah, menyukai produk Pharos, dan partisipasi AO YN tinggi. | Produk (Prodes) | Nilai RO (Rp) | |:-----------------------------------|:--------------| | CLINOVIR CREAM 5GR | 17,323,075 | | NOURISH SKIN ULTIMATE 30'S | 8,136,075 | | NEBACETIN OINT 5GR | 5,135,040 | | PRAXION SUSP 60ML RASA JERUK | 3,447,200 | | CLINOVIR 400MG TAB 30'S | 1,786,770 | Produk CLINOVIR CREAM 5GR dan NOURISH SKIN ULTIMATE 30'S muncul sebagai produk dengan nilai pembatalan tertinggi di Klaster 3. Ini mengindikasikan bahwa, bahkan di segmen pelanggan yang loyal dan bernilai tinggi, ada produk spesifik yang mungkin menghadapi tantangan dalam pemenuhan atau penerimaan. ### Rekomendasi untuk Mengurangi Pembatalan Pesanan Berdasarkan analisis di atas, berikut adalah beberapa rekomendasi strategis untuk mengurangi tingkat dan nilai pembatalan pesanan: 1. **Manajemen Stok dan Ketersediaan Produk**: * **Prioritaskan Produk Rentan Pembatalan**: Lakukan audit mendalam terhadap proses perkiraan permintaan dan manajemen stok untuk produk-produk yang secara konsisten masuk dalam daftar "Top Cancelled Products" di berbagai klaster (misalnya, PRORIS 125MG SUPP 10'S, CATAFLAM 50MG TAB 50'S, NOURISH SKIN ULTIMATE 30'S, MICROLAX GEL OBAT PENCAHAR 5ML). Pastikan ketersediaan yang memadai untuk produk-produk inti ini. * **Komunikasi Proaktif**: Jika ada kendala stok, komunikasikan segera kepada pelanggan dan tawarkan alternatif jika memungkinkan untuk mengurangi frustrasi yang berujung pada pembatalan. 2. **Optimalisasi Proses Pembayaran**: * **Evaluasi "Term Of Payment"**: Selidiki secara kritis mengapa "Term Of Payment" memiliki tingkat pembatalan tertinggi. Apakah ada masalah dalam verifikasi kredit, batas waktu pembayaran yang tidak realistis, atau proses lain yang memicu pembatalan? Pertimbangkan untuk memperketat kriteria atau menawarkan insentif untuk metode pembayaran lain yang memiliki tingkat pembatalan lebih rendah. 3. **Peningkatan Efisiensi Operasional Gudang**: * **Fokus pada Gudang Berisiko Tinggi**: Gudang PHARMANET TANGERANG dan MEDAN menunjukkan tingkat pembatalan relatif tertinggi. Lakukan audit operasional untuk mengidentifikasi bottleneck, meningkatkan akurasi inventaris, dan mempercepat proses pemenuhan di gudang-gudang ini. Masalah anomali tanggal yang ditemukan di bab sebelumnya mungkin merupakan gejala dari masalah operasional yang lebih luas di lokasi-lokasi ini. 4. **Strategi Berbasis Segmentasi Pelanggan**: * **Mitigasi Risiko Klaster 0**: Sebagai klaster dengan tingkat pembatalan tertinggi, Klaster 0 memerlukan perhatian khusus. Tawarkan insentif khusus, program loyalitas, atau layanan pelanggan yang lebih proaktif untuk memahami dan mengatasi alasan pembatalan mereka. Pertimbangkan juga edukasi tentang manfaat partisipasi AO YN. * **Pertahankan Klaster 2 & 3**: Pelanggan VIP ini memiliki tingkat pembatalan terendah. Pastikan layanan prima dan pemenuhan pesanan yang efisien untuk mempertahankan loyalitas mereka. Pahami kebutuhan spesifik mereka terhadap produk Pharos. 5. **Analisis Produk Pharos**: * Meskipun produk Pharos memiliki nilai pesanan rata-rata yang lebih tinggi, tingkat pembatalannya juga sedikit lebih tinggi. Lakukan analisis sensitivitas harga atau ketersediaan untuk produk-produk Pharos bernilai tinggi, untuk memastikan bahwa nilai jual mereka tetap menarik dan pemenuhannya dapat diandalkan. Dengan menerapkan rekomendasi ini, perusahaan dapat secara signifikan mengurangi nilai kerugian akibat pembatalan, meningkatkan efisiensi operasional, dan pada akhirnya meningkatkan kepuasan serta retensi pelanggan. ## 6. Analisis Proses Pemenuhan Pesanan Proses pemenuhan pesanan adalah tulang punggung operasional yang efisien, menghubungkan pesanan pelanggan dengan pengiriman produk. Bab ini mendalami berbagai tahapan dalam proses pemenuhan, mulai dari Order hingga pesanan diterima oleh pelanggan, menganalisis durasi, mengidentifikasi anomali, dan mengevaluasi kinerja gudang serta ekspedisi. Tujuannya adalah untuk mengungkap hambatan, meningkatkan efisiensi, dan pada akhirnya, memperkuat kepuasan pelanggan. ### Durasi Rata-rata Proses Pemenuhan Analisis terhadap durasi rata-rata yang dibutuhkan untuk setiap tahapan pemenuhan pesanan yang sukses memberikan gambaran menyeluruh tentang alur kerja operasional. Metrik ini dihitung dari tanggal dan waktu transaksi antar tahapan, dengan unit pengukuran dalam hari. | Tahap Proses | Durasi Rata-rata (Hari) | Median (Hari) | Standar Deviasi (Hari) | |:----------------------|:------------------------|:--------------|:-----------------------| | Order ke SP | 0.02 | 0.02 | 0.01 | | SP ke DO | 0.37 | 0.12 | 0.55 | | DO ke Logbook | 0.23 | 0.11 | 0.40 | | Logbook ke Diterima | 1.35 | 0.87 | 2.33 | Temuan ini menunjukkan bahwa tahapan internal pemrosesan pesanan (Order ke SP, SP ke DO, dan DO ke Logbook) berlangsung sangat cepat, dengan rata-rata kurang dari setengah hari. Ini mencerminkan efisiensi yang tinggi dalam koordinasi internal dan persiapan pesanan. Namun, tahap "Logbook ke Diterima", yang merepresentasikan pengiriman terakhir oleh ekspedisi ke pelanggan, adalah yang terpanjang dengan rata-rata 1.35 hari. Durasi ini juga memiliki standar deviasi yang paling tinggi, mengindikasikan variabilitas yang signifikan dalam waktu pengiriman terakhir. ```mermaid xychart-beta title "Average Fulfillment Stage Durations (Days)" x-axis ['Order to SP', 'SP to DO', 'DO to Logbook', 'Logbook to Received'] y-axis "Average Days" 0 --> bar [0.023567346220489494, 0.3710346399176954, 0.23467315139701106, 1.3455575010829544] ``` ### Anomali Kritis: Durasi Pengiriman Negatif (`Tgl Diterima` < `Tgl Logbook`) Seperti yang telah diulas pada bab "Kualitas Data dan Pra-pemrosesan", terdapat anomali krusial pada perhitungan durasi "Logbook ke Diterima". Sejumlah catatan menunjukkan bahwa `Tgl Diterima` (tanggal barang diterima pelanggan) tercatat *lebih awal* dari `Tgl Logbook` (tanggal barang masuk area staging). Hal ini secara fisik tidak mungkin dan mengindikasikan masalah serius pada pencatatan data. * Dari 120,805 catatan yang memiliki kedua tanggal (`Tgl Logbook` dan `Tgl Diterima`), sebanyak **2,897 catatan (2.4%)** menunjukkan durasi negatif. * Durasi negatif ini sangat ekstrem, dengan nilai rata-rata mencapai **-20,255.37 hari** dan median **-20,628.39 hari**. Anomali ini sangat terdistribusi tidak merata, dengan gudang dan ekspedisi tertentu yang menunjukkan persentase kejadian yang jauh lebih tinggi. #### Gudang Asal dengan Anomali Durasi Negatif Terbanyak Analisis menunjukkan bahwa gudang PHARMANET TANGERANG dan PHARMANET MEDAN adalah yang paling terdampak oleh anomali ini, baik secara jumlah maupun persentase relatif terhadap operasi mereka. | Asal Gudang | Jumlah Anomali Negatif | Total Catatan Valid | Persentase Anomali dalam Kategori (%) | Persentase dari Seluruh Anomali (%) | |:--------------------|-----------------------:|--------------------:|---------------------------------------:|------------------------------------:| | PHARMANET TANGERANG | 1,550 | 9,352 | 16.6 | 53.5 | | PHARMANET MEDAN | 543 | 7,245 | 7.5 | 18.7 | | PHARMANET MALANG | 100 | 2,335 | 4.3 | 3.5 | | PHARMANET MAKASSAR | 126 | 4,187 | 3.0 | 4.3 | | PHARMANET LAMPUNG | 90 | 3,844 | 2.3 | 3.1 | PHARMANET TANGERANG menyumbang lebih dari separuh (53.5%) dari seluruh anomali durasi negatif yang ditemukan, dengan 16.6% dari seluruh catatannya memiliki masalah ini. Ini sangat mengindikasikan masalah sistemik atau proses pencatatan di gudang tersebut. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHARMANET MALANG', 'PHARMANET MEDAN', 'PHARMANET TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.34, 3.01, 4.28, 7.49, 16.57] ``` #### Ekspedisi dengan Anomali Durasi Negatif Terbanyak Dari sisi ekspedisi, PT CENTURY adalah kontributor utama anomali ini, diikuti oleh ANDALAN 21 EXPRESS. | Nama Ekspedisi | Jumlah Anomali Negatif | Total Catatan Valid | Persentase Anomali dalam Kategori (%) | Persentase dari Seluruh Anomali (%) | |:-------------------------------|-----------------------:|--------------------:|---------------------------------------:|------------------------------------:| | PT CENTURY | 1,921 | 20,955 | 9.2 | 66.3 | | EXPD INTERNAL SEMARANG | 3 | 66 | 4.5 | 0.1 | | ANDALAN 21 EXPRESS | 316 | 9,249 | 3.4 | 10.9 | | EXPD JAKSEL | 35 | 1,239 | 2.8 | 1.2 | | Media Transportasi Logistic | 15 | 759 | 2.0 | 0.5 | PT CENTURY bertanggung jawab atas dua pertiga (66.3%) dari semua anomali durasi negatif, menunjukkan masalah serius dalam integrasi data atau prosedur pelaporan penerimaan barang dengan ekspedisi ini. ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [1.98, 2.82, 3.42, 4.55, 9.17] ``` **Implikasi dan Rekomendasi:** Anomali ini membuat metrik kinerja pengiriman akhir tidak dapat diandalkan. Sangat penting untuk segera menginvestigasi akar masalah pada gudang PHARMANET TANGERANG dan MEDAN, serta dengan ekspedisi PT CENTURY. Ini bisa jadi masalah zona waktu, kesalahan entri data, atau keterlambatan sinkronisasi sistem. Untuk analisis performa, catatan dengan durasi negatif ini dikecualikan dari perhitungan metrik `Logbook to Received days`. ### Kinerja Gudang dan Ekspedisi Meskipun metrik "Logbook ke Diterima" terganggu oleh anomali data, kita masih dapat menilai kinerja gudang dan ekspedisi berdasarkan tahap proses lainnya dan tingkat pembatalan. #### Kinerja Gudang (Asal Gudang) Tabel berikut menunjukkan durasi rata-rata untuk tahapan pemenuhan internal dan tingkat pembatalan per gudang. Perlu dicatat bahwa nilai negatif pada kolom `Logbook_to_Received_days` mencerminkan anomali data, bukan kinerja. | Asal Gudang | Tingkat Pembatalan (%) | SP ke DO (Hari) | DO ke Logbook (Hari) | Logbook ke Diterima (Hari) | |:----------------------|-----------------------:|----------------:|---------------------:|---------------------------:| | PHARMANET PUSAT | 100.0 | nan | nan | nan | | PHARMANET TANGERANG | 2.6 | 0.59 | 0.17 | -3,405.71 | | PHARMANET MEDAN | 2.5 | 0.85 | 0.38 | -1,531.45 | | PHARMANET JAKTIM | 2.4 | 0.27 | 0.09 | -4.78 | | PHARMANET MAKASSAR | 2.0 | 0.37 | 0.25 | -621.26 | | PHARMANET SAMARINDA | 1.9 | 1.09 | 0.19 | -227.96 | | PHARMANET BANJARMASIN | 1.7 | 0.50 | 0.18 | 0.40 | | PHARMANET PEKANBARU | 1.5 | 0.44 | 0.14 | -169.08 | | PHARMANET BOGOR | 1.4 | 0.42 | 0.23 | -130.44 | | PHARMANET JAKBAR | 1.2 | 0.38 | 0.05 | -70.28 | | PHARMANET SEMARANG | 1.2 | 0.37 | 0.58 | -57.87 | | PHARMANET SURABAYA | 1.2 | 0.37 | 0.54 | -24.13 | | PHARMANET BEKASI | 1.0 | 0.35 | 0.12 | -136.64 | | PHARMANET PONTIANAK | 1.0 | 0.43 | 0.23 | -336.96 | | PHARMANET SOLO | 0.9 | 0.34 | 0.23 | -122.35 | | PHARMANET JAKSEL | 0.9 | 0.30 | 0.23 | -349.31 | | PHARMANET JAMBI | 0.8 | 0.34 | 0.13 | -49.72 | | PHARMANET LAMPUNG | 0.6 | 0.36 | 0.18 | -457.16 | | PHARMANET MALANG | 0.5 | 0.17 | 0.23 | -834.20 | | PHARMANET PALEMBANG | 0.3 | 0.14 | 0.14 | -39.50 | | PHARMANET BANDUNG | 0.3 | 0.33 | 0.10 | -16.39 | * **Tingkat Pembatalan**: PHARMANET PUSAT menunjukkan tingkat pembatalan 100%, kemungkinan besar karena volume transaksi yang sangat rendah atau sifat khusus operasinya. PHARMANET TANGERANG dan MEDAN memiliki tingkat pembatalan tertinggi yang substansial (2.6% dan 2.5%), sejalan dengan peran mereka dalam anomali data pengiriman. * **Durasi Internal**: Gudang seperti PHARMANET SAMARINDA memiliki durasi "SP ke DO" yang relatif lebih lama (1.09 hari) dibandingkan gudang lain, mengindikasikan potensi inefisiensi di tahap ini. #### Kinerja Ekspedisi (Nama Ekspedisi) Seperti pada gudang, data `Logbook ke Diterima` untuk ekspedisi sangat terpengaruh oleh anomali tanggal. Oleh karena itu, tabel dan grafik di bawah ini harus diinterpretasikan sebagai refleksi dari masalah kualitas data, bukan kinerja aktual. | Nama Ekspedisi | Rata-rata Logbook ke Diterima (Hari) | |:-------------------------------|-------------------------------------:| | PT CENTURY | -1,867.56 | | ANDALAN 21 EXPRESS | -635.85 | | EXPD INTERNAL SEMARANG | -634.83 | | EXPD JAKSEL | -586.37 | | Media Transportasi Logistic | -405.50 | | INDAH LOGISTIK | -339.75 | | PCP EXPRESS | -306.61 | | PT. TUNAS ANTARNUSA MUDA KARGO | -281.48 | | GLOBALINDO 21 EXPRESS | -177.10 | | Anteraja | -73.88 | | EXPD INTERNAL JAKSEL | 0.01 | | EXPD JAKBAR | 0.20 | | EXPD JAKTIM | 0.24 | | Antaraja Same Day | 0.29 | | EXPD INTERNAL BOGOR | 0.35 | | EXPD SURABAYA 1 | 0.36 | | EXPD BANJARMASIN | 0.40 | | EXPD BEKASI | 0.49 | | EXPD Bogor (Sierra) | 0.50 | | EXPD MEDAN | 0.87 | | LION PARCEL | 1.79 | ```mermaid xychart-beta title "Top 5 Expediters with Most Pronounced Data Errors (Negative Logbook to Received Durations)" x-axis ['PT CENTURY', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'EXPD JAKSEL', 'Media Transportasi Logistic'] y-axis "Average Days" 0 --> bar [-1867.5611857636375, -635.8543009116762, -634.8295395299145, -586.3711685768594, -405.50436307519635] ``` ```mermaid xychart-beta title "Expediters with Positive (Valid) Logbook to Received Durations (from fastest to slowest)" x-axis ['EXPD INTERNAL JAKSEL', 'EXPD JAKBAR', 'EXPD JAKTIM', 'Antaraja Same Day', 'EXPD INTERNAL BOGOR', 'EXPD SURABAYA 1', 'EXPD BANJARMASIN', 'EXPD BEKASI', 'EXPD Bogor (Sierra)', 'EXPD MEDAN', 'LION PARCEL'] y-axis "Average Days" 0 --> bar [0.01, 0.20, 0.24, 0.29, 0.35, 0.36, 0.40, 0.49, 0.50, 0.87, 1.79] ``` **Rekomendasi:** Untuk ekspedisi yang menunjukkan nilai positif pada durasi `Logbook ke Diterima`, LION PARCEL memiliki durasi terlama (1.79 hari) dibandingkan dengan ekspedisi lain yang datanya valid. Ini menunjukkan area potensial untuk peningkatan. Namun, fokus utama harus tetap pada perbaikan kualitas data untuk PT CENTURY dan ekspedisi lain dengan durasi negatif yang ekstrem agar analisis kinerja dapat dilakukan secara akurat di masa mendatang. ### Disparitas Kuantitas dalam Proses Pemenuhan Analisis ini memeriksa konsistensi kuantitas produk yang diminta (`Qty RO`), yang tercatat dalam surat pesanan (`Qty SP`), dan yang akhirnya dikirim (`Qty DO`) untuk pesanan yang berhasil terpenuhi. * **`Qty RO` vs `Qty SP`**: * Hanya **0.27% (348 catatan)** dari total pesanan sukses menunjukkan adanya perbedaan antara `Qty RO` dan `Qty SP`. Ini adalah persentase yang kecil, menunjukkan bahwa sebagian besar pesanan direncanakan sesuai dengan yang diminta. * Dari perbedaan tersebut, mayoritas **(75.3% atau 262 catatan)** menunjukkan **`Qty RO > Qty SP`**. Ini berarti kuantitas yang direncanakan di surat pesanan lebih sedikit dari yang sebenarnya dipesan oleh outlet. Hal ini dapat mengindikasikan masalah ketersediaan stok pada saat pembuatan SP atau proses internal yang menyebabkan penyesuaian kuantitas. **Top 5 Produk dengan `Qty RO > Qty SP` (total kekurangan)**: | Prodes | Kekurangan Kuantitas | |:------------------------------|---------------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 565 | | PRORIS SUSP 60 ML RASA JERUK | 546 | | MEDISIO 36% CONCENTRATE 5ML | 344 | | POLYSILANE SUSP 180 ML | 180 | | PRAXION 250MG/5ML FORTE 60 ML | 131 | **Top 5 Gudang Asal dengan `Qty RO > Qty SP` (total kekurangan)**: | Asal Gudang | Kekurangan Kuantitas | |:--------------------|---------------------:| | PHARMANET BANDUNG | 684 | | PHARMANET SURABAYA | 499 | | PHARMANET PALEMBANG | 435 | | PHARMANET TANGERANG | 333 | | PHARMANET JAKTIM | 203 | **Top 3 Divisi dengan `Qty RO > Qty SP` (total kekurangan)**: | Divisi | Kekurangan Kuantitas | |:------------|---------------------:| | VIBRANT PBF | 1,935 | | PHARMANET | 1,199 | | HOSPINET | 101 | * Sisanya (24.7% atau 86 catatan) menunjukkan `Qty RO < Qty SP`, di mana kuantitas di surat pesanan lebih banyak dari yang dipesan, yang juga merupakan anomali. * **`Qty SP` vs `Qty DO`**: * Sangat menggembirakan, tidak ditemukan adanya perbedaan kuantitas antara `Qty SP` dan `Qty DO` (0.00% perbedaan). Ini menunjukkan bahwa apa yang telah direncanakan dan disetujui dalam surat pesanan **selalu berhasil dikirimkan** sesuai kuantitasnya, mencerminkan efisiensi yang tinggi di gudang setelah SP terbentuk. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` **Implikasi dan Rekomendasi:** Meskipun persentase `Qty RO != Qty SP` kecil, adanya kekurangan pemenuhan (Qty RO > Qty SP) dapat menyebabkan ketidakpuasan pelanggan. Ini menyoroti perlunya peningkatan koordinasi antara tim penjualan/pemesanan dan manajemen stok di gudang, terutama di PHARMANET BANDUNG, PHARMANET SURABAYA, dan Divisi VIBRANT PBF. Mekanisme verifikasi stok real-time saat pembuatan SP atau komunikasi proaktif ke pelanggan jika ada kekurangan stok dapat membantu. ### Kinerja Pemenuhan Berdasarkan Segmentasi Pelanggan (Klaster) Menganalisis kinerja pemenuhan berdasarkan segmen pelanggan yang telah diidentifikasi (Klaster 0, 1, 2, 3) memberikan wawasan tentang kebutuhan operasional dan perilaku unik setiap kelompok. #### Durasi Pemenuhan Rata-rata per Klaster (Pesanan Sukses) Perlu diingat bahwa analisis `Logbook ke Diterima` di sini mengecualikan data anomali negatif untuk memberikan gambaran yang lebih realistis. | Klaster | Order ke SP (Hari) | SP ke DO (Hari) | DO ke Logbook (Hari) | Logbook ke Diterima (Hari) | |:--------|:-------------------|:----------------|:---------------------|:---------------------------| | 0 | 0.02 | 0.42 | 0.25 | 1.47 | | 1 | 0.02 | 0.36 | 0.23 | 1.41 | | 2 | 0.02 | 1.13 | 0.99 | 0.97 | | 3 | 0.02 | 0.47 | 0.38 | 2.43 | * **Durasi Internal**: Klaster 2, yang merupakan pelanggan bernilai sangat tinggi dengan risiko pembatalan rendah, menunjukkan durasi "SP ke DO" (1.13 hari) dan "DO ke Logbook" (0.99 hari) yang secara signifikan lebih lama dibandingkan klaster lainnya. Ini adalah anomali yang menarik: mengapa pelanggan VIP ini memiliki proses internal yang lebih lambat? Apakah ada penanganan khusus yang menyebabkan penundaan, ataukah ada inefisiensi yang justru memengaruhi pelanggan terpenting? * **Durasi Pengiriman Terakhir**: Klaster 3 memiliki durasi "Logbook ke Diterima" terlama (2.43 hari), sementara Klaster 2 memiliki durasi tercepat (0.97 hari) di antara klaster yang datanya valid. **Rekomendasi:** Perlu dilakukan investigasi mengapa Klaster 2 mengalami durasi proses internal yang lebih panjang. Memahami alasan di baliknya sangat penting untuk menjaga kepuasan pelanggan VIP ini. Untuk Klaster 3, perlu dievaluasi faktor-faktor yang menyebabkan durasi pengiriman terakhir yang lebih lama dan mencari cara untuk mempercepatnya. ### Kesimpulan dan Rekomendasi Umum Analisis proses pemenuhan pesanan mengungkap kekuatan dalam efisiensi internal yang cepat, tetapi juga menyoroti area kritis untuk perbaikan, terutama terkait kualitas data dan koordinasi stok. 1. **Prioritaskan Perbaikan Kualitas Data Pengiriman**: Anomali tanggal `Tgl Diterima` yang lebih awal dari `Tgl Logbook` adalah masalah data paling serius. * **Tindakan Cepat**: Lakukan audit mendalam pada sistem pencatatan tanggal di **PHARMANET TANGERANG** dan **PHARMANET MEDAN**, serta prosedur pelaporan dari ekspedisi **PT CENTURY**. Identifikasi dan perbaiki akar penyebabnya, apakah itu perbedaan zona waktu, kesalahan entri data, atau keterlambatan sinkronisasi. * **Implikasi**: Data yang akurat adalah prasyarat untuk analisis kinerja logistik yang andal dan pengambilan keputusan yang tepat. 2. **Optimalkan Ketersediaan Stok dan Koordinasi Pemesanan**: Persentase kecil, namun signifikan, dari pesanan yang tidak terpenuhi sepenuhnya pada tahap `Qty SP` (`Qty RO > Qty SP`) menunjukkan perlunya perbaikan. * **Tindakan Cepat**: Tingkatkan koordinasi antara tim penjualan/pemesanan dengan manajemen stok gudang, khususnya di **PHARMANET BANDUNG**, **PHARMANET SURABAYA**, dan Divisi **VIBRANT PBF**. Implementasikan sistem verifikasi stok yang lebih akurat dan real-time pada saat pembuatan SP. * **Implikasi**: Mengurangi perbedaan kuantitas akan meningkatkan kepuasan pelanggan dan akurasi inventaris. 3. **Evaluasi Proses Internal untuk Klaster Pelanggan VIP (Klaster 2)**: Durasi proses "SP ke DO" dan "DO ke Logbook" yang lebih lama untuk Klaster 2 merupakan temuan yang kontraintuitif. * **Tindakan Cepat**: Investigasi alasan di balik penundaan ini. Apakah ada proses khusus, persyaratan produk unik, atau inefisiensi yang memengaruhi pelanggan bernilai tertinggi ini? * **Implikasi**: Memastikan pemenuhan yang efisien dan cepat untuk pelanggan VIP sangat penting untuk mempertahankan loyalitas dan nilai bisnis mereka. 4. **Tinjau Kinerja Pengiriman Terakhir (Last-Mile Delivery) yang Valid**: Untuk ekspedisi yang datanya dapat diandalkan, identifikasi peluang peningkatan. * **Tindakan Cepat**: LION PARCEL menunjukkan durasi rata-rata `Logbook ke Diterima` yang relatif lebih lama (1.79 hari) dibandingkan yang lain. Kaji proses dan operasional mereka untuk mencari potensi percepatan. * **Implikasi**: Pengiriman yang cepat dan konsisten adalah faktor kunci kepuasan pelanggan. Dengan fokus pada perbaikan kualitas data dan optimalisasi proses operasional di titik-titik yang diidentifikasi, perusahaan dapat mencapai efisiensi yang lebih tinggi, mengurangi kerugian, dan meningkatkan pengalaman pemenuhan pesanan bagi semua segmen pelanggan. ## 7. Segmentasi Pelanggan (Outlet) Analisis segmentasi pelanggan adalah langkah krusial untuk memahami basis pelanggan (outlet) secara lebih mendalam. Dengan mengelompokkan outlet berdasarkan perilaku pembelian mereka, preferensi produk, dan kecenderungan pembatalan, perusahaan dapat merancang strategi pemasaran, penjualan, dan operasional yang lebih terarah dan efektif. Pendekatan ini memungkinkan personalisasi upaya, alokasi sumber daya yang lebih efisien, dan peningkatan kepuasan pelanggan secara keseluruhan. Melalui penerapan algoritma *KMeans clustering* pada data transaksi yang telah diagregasi untuk setiap outlet, kami berhasil mengidentifikasi **empat klaster pelanggan yang berbeda**. Klasterisasi ini didasarkan pada metrik-metrik kunci seperti total nilai pembelian (`total_value_ro`), total kuantitas produk yang dibeli (`total_qty_ro`), jumlah pesanan yang berbeda (`num_distinct_ro`), nilai pesanan rata-rata (`avg_order_value`), kuantitas pesanan rata-rata (`avg_order_qty`), rasio nilai produk Pharos dalam total pembelian (`pharos_product_value_ratio`), rasio nilai pembatalan terhadap total nilai pesanan (`cancellation_value_ratio`), dan rasio partisipasi dalam program Apotek Online (AO YN). ### Karakteristik Umum Klaster Pelanggan Berikut adalah gambaran ringkas rata-rata karakteristik untuk setiap klaster yang teridentifikasi, memberikan pemahaman awal tentang profil masing-masing segmen: | klaster | total_value_ro (Rp) | total_qty_ro | num_distinct_ro | avg_order_value (Rp) | avg_order_qty | pharos_product_value_ratio (%) | cancellation_value_ratio (%) | ao_yn_y_ratio (%) | |:--------|:--------------------|:-------------|:----------------|:---------------------|:--------------|:-------------------------------|:-----------------------------|:------------------| | 0 | 6,970,104 | 183 | 3.4 | 2,288,710 | 63.8 | 56.2 | 8.6 | NaN | | 1 | 13,718,488 | 280 | 6.1 | 2,496,893 | 57.5 | 51.1 | 4.1 | 100.0 | | 2 | 1,133,397,266 | 37,231 | 3.0 | 490,632,428 | 17,259.4 | 100.0 | 0.8 | NaN | | 3 | 210,349,965 | 7,216 | 3.2 | 80,679,622 | 2,809.4 | 96.6 | 2.1 | 100.0 | Adapun jumlah outlet yang termasuk dalam setiap klaster adalah sebagai berikut: | klaster | count | |:--------|:------| | 0 | 3,722 | | 1 | 1,292 | | 2 | 2 | | 3 | 46 | ### Interpretasi Mendalam Setiap Klaster #### Klaster 2: Pelanggan VIP Produk Pharos Eksklusif * **Ukuran:** Terdiri dari hanya **2 outlet**, menjadikannya segmen yang sangat eksklusif. * **Karakteristik Utama:** Klaster ini menunjukkan perilaku pembelian yang luar biasa dengan **rata-rata total nilai pesanan (RO) mencapai Rp 1,133,397,266** dan **rata-rata kuantitas RO sebanyak 37,231 unit**. Nilai RO rata-rata per pesanan sangat tinggi, yaitu **Rp 490,632,428**. Yang menarik, **100.0%** dari total nilai pembelian mereka berasal dari **produk Pharos**. Tingkat pembatalan mereka adalah yang **terendah** di antara semua klaster, hanya **0.8%**. Partisipasi dalam program Apotek Online (AO YN) tidak teridentifikasi (`NaN`), menunjukkan bahwa outlet-outlet ini mungkin beroperasi secara *offline* atau tidak menggunakan program AO. * **Ringkasan:** Klaster ini mewakili **Pelanggan Bernilai Sangat Tinggi dengan Risiko Pembatalan Rendah**. Mereka adalah pelanggan super loyal yang secara eksklusif membeli produk Pharos dan cenderung memiliki sedikit atau tanpa partisipasi Apotek Online. Mereka bisa jadi adalah distributor besar atau rantai apotek besar yang sangat bergantung pada produk Pharos. #### Klaster 3: Pelanggan Premium Pharos & Online Aktif * **Ukuran:** Terdiri dari **46 outlet**. * **Karakteristik Utama:** Klaster ini juga menunjukkan nilai pembelian yang sangat tinggi dengan **rata-rata total nilai RO sebesar Rp 210,349,965** dan **rata-rata kuantitas RO sebanyak 7,216 unit**. Mirip dengan Klaster 2, mereka memiliki preferensi yang sangat kuat terhadap **produk Pharos (96.6%** dari total nilai pembelian). Tingkat pembatalan mereka juga **sangat rendah (2.1%)**, menempatkan mereka di antara segmen paling stabil. Berbeda dengan Klaster 2, **100.0%** dari outlet di klaster ini **berpartisipasi aktif dalam program Apotek Online (AO YN)**. * **Ringkasan:** Klaster ini adalah **Pelanggan Bernilai Tinggi dengan Risiko Pembatalan Rendah**. Mereka menunjukkan loyalitas yang kuat terhadap produk Pharos dan aktif memanfaatkan platform Apotek Online. Ini adalah segmen berharga yang menggabungkan volume pembelian tinggi dengan adopsi teknologi. #### Klaster 1: Pelanggan Online Menengah & Beragam * **Ukuran:** Terdiri dari **1,292 outlet**, menjadikannya klaster terbesar kedua. * **Karakteristik Utama:** Klaster ini memiliki nilai pembelian menengah dengan **rata-rata total nilai RO sebesar Rp 13,718,488** dan **rata-rata kuantitas RO sebanyak 280 unit**. Preferensi produk mereka lebih beragam, dengan **51.1%** dari total nilai pembelian berasal dari **produk Pharos**. Tingkat pembatalan mereka **moderat (4.1%)**. Seperti Klaster 3, **100.0%** dari outlet di klaster ini **berpartisipasi dalam program Apotek Online (AO YN)**. * **Ringkasan:** Klaster ini mewakili **Pelanggan Bernilai Menengah dengan Risiko Pembatalan Sedang**. Mereka adalah basis pelanggan online yang signifikan, membeli campuran produk Pharos dan non-Pharos, dan memiliki tingkat pembatalan yang perlu diperhatikan. #### Klaster 0: Pelanggan Tradisional Menengah Berisiko * **Ukuran:** Terdiri dari **3,722 outlet**, menjadikannya klaster terbesar. * **Karakteristik Utama:** Klaster ini memiliki nilai pembelian menengah dengan **rata-rata total nilai RO sebesar Rp 6,970,104** dan **rata-rata kuantitas RO sebanyak 183 unit**. Preferensi produk mereka juga campuran, dengan **56.2%** dari total nilai pembelian berasal dari **produk Pharos**. Namun, klaster ini menunjukkan tingkat pembatalan **tertinggi (8.6%)** di antara semua klaster. Partisipasi Apotek Online (AO YN) tidak teridentifikasi (`NaN`), menunjukkan bahwa sebagian besar atau seluruh outlet ini tidak berpartisipasi dalam program AO. * **Ringkasan:** Klaster ini adalah **Pelanggan Bernilai Menengah dengan Risiko Pembatalan Tertinggi**. Mereka adalah segmen pelanggan tradisional (non-AO YN) yang besar dan penting, namun menjadi sumber risiko pembatalan yang signifikan. ### Kinerja Operasional dan Preferensi Produk Berdasarkan Segmen Pelanggan Analisis lebih lanjut mengenai kinerja operasional dan preferensi produk spesifik untuk setiap klaster dapat mengungkapkan area untuk peningkatan yang lebih bertarget. #### Durasi Rata-rata Pemenuhan per Klaster (dalam hari, hanya Pesanan Sukses) Perlu dicatat bahwa untuk perhitungan `Logbook to Received days`, catatan dengan durasi negatif yang disebabkan oleh anomali data (seperti yang dijelaskan pada bab sebelumnya) telah dikecualikan untuk memastikan keandalan metrik. | klaster | Order to SP days | SP to DO days | DO to Logbook days | Logbook to Received days | |:--------|:-----------------|:--------------|:-------------------|:-------------------------| | 0 | 0.02 | 0.42 | 0.25 | 1.47 | | 1 | 0.02 | 0.36 | 0.23 | 1.41 | | 2 | 0.02 | 1.13 | 0.99 | 0.97 | | 3 | 0.02 | 0.47 | 0.38 | 2.43 | * **Anomali Klaster 2**: Meskipun Klaster 2 adalah pelanggan VIP, mereka menunjukkan durasi proses internal (`SP to DO` dan `DO to Logbook`) yang **secara signifikan lebih lama (1.13 dan 0.99 hari)** dibandingkan klaster lain. Ini adalah temuan anomali yang membutuhkan investigasi mendalam: mengapa pelanggan bernilai tertinggi mengalami penundaan di tahap internal? Apakah ada proses khusus yang memperlambat pesanan mereka, ataukah ini adalah inefisiensi yang tidak seharusnya terjadi pada segmen premium? * **Klaster 3 Durasi `Logbook to Received` Terpanjang**: Meskipun merupakan pelanggan premium, Klaster 3 memiliki durasi `Logbook to Received days` terpanjang **(2.43 hari)**, menunjukkan potensi keterlambatan pengiriman terakhir. #### Tingkat Pembatalan (berdasarkan Nilai RO) per Klaster | klaster | cancellation_rate_pct (%) | |:--------|:--------------------------| | 0 | 1.1 | | 1 | 1.0 | | 2 | 0.5 | | 3 | 0.4 | Angka-angka di atas sedikit berbeda dari ringkasan klaster awal (yang menggunakan `cancellation_value_ratio`) karena metode perhitungan yang mungkin sedikit berbeda, tetapi trennya tetap konsisten: Klaster 2 dan 3 memiliki tingkat pembatalan terendah, sementara Klaster 0 memiliki yang tertinggi. #### Produk Paling Sering Dibatalkan per Klaster (berdasarkan Nilai) Memahami produk mana yang paling sering dibatalkan di setiap segmen dapat memandu strategi manajemen produk dan stok yang lebih efektif. **Klaster 0 - Top 5 Produk Dibatalkan** Ini adalah segmen terbesar dengan risiko pembatalan tertinggi. | Prodes | Value RO (Rp) | |:-------------------------------|:--------------| | PRORIS 125MG SUPP 10'S | 29,190,364 | | MICROLAX GEL OBAT PENCAHAR 5ML | 18,333,821 | | CATAFLAM 50MG TAB 50'S | 17,927,316 | | VOMARIN FLASH TAB 50'S | 16,077,281 | | MEFINAL 500MG CAP 100'S | 14,713,400 | **Klaster 1 - Top 5 Produk Dibatalkan** Segmen online aktif dengan nilai menengah. | Prodes | Value RO (Rp) | |:-------------------------------|:--------------| | PRORIS 125MG SUPP 10'S | 52,301,484 | | CATAFLAM 50MG TAB 50'S | 14,317,300 | | MICROLAX GEL OBAT PENCAHAR 5ML | 11,044,498 | | MEFINAL 500MG CAP 100'S | 8,898,658 | | VOMARIN FLASH TAB 50'S | 3,911,239 | Produk `PRORIS 125MG SUPP 10'S`, `MICROLAX GEL OBAT PENCAHAR 5ML`, `CATAFLAM 50MG TAB 50'S`, `MEFINAL 500MG CAP 100'S`, dan `VOMARIN FLASH TAB 50'S` secara konsisten menjadi produk yang paling sering dibatalkan di Klaster 0 dan 1. Hal ini menunjukkan masalah umum yang perlu ditangani terkait produk-produk ini (misalnya, ketersediaan, harga, atau promosi). **Klaster 2 - Top 3 Produk Dibatalkan** Segmen VIP dengan risiko pembatalan terendah. | Prodes | Value RO (Rp) | |:-----------------------------|:--------------| | NOURISH SKIN ULTIMATE 30'S | 9,868,457 | | VEGEBLEND 21JR VEG.EXTR.30'S | 1,783,872 | | NERIPROS 1MG TAB 30'S | 414,552 | Meskipun tingkat pembatalan Klaster 2 sangat rendah, `NOURISH SKIN ULTIMATE 30'S` adalah produk paling dominan dalam pembatalan. Ini mengindikasikan bahwa, meskipun mereka loyal, ada titik-titik sensitif bahkan untuk pelanggan VIP. **Klaster 3 - Top 5 Produk Dibatalkan** Segmen premium dan online aktif. | Prodes | Value RO (Rp) | |:-----------------------------|:--------------| | CLINOVIR CREAM 5GR | 17,323,075 | | NOURISH SKIN ULTIMATE 30'S | 8,136,075 | | NEBACETIN OINT 5GR | 5,135,040 | | PRAXION SUSP 60ML RASA JERUK | 3,447,200 | | CLINOVIR 400MG TAB 30'S | 1,786,770 | Produk `CLINOVIR CREAM 5GR` dan `NOURISH SKIN ULTIMATE 30'S` menonjol di klaster ini. Ini menunjukkan bahwa bahkan pelanggan yang setia pada produk Pharos dan aktif secara online masih memiliki potensi pembatalan untuk produk-produk tertentu. #### Distribusi Gudang Asal per Klaster Pemahaman tentang gudang mana yang melayani setiap klaster dapat membantu mengidentifikasi potensi masalah operasional spesifik lokasi. **Klaster 0 - Top 5 Distribusi Asal Gudang** | Asal Gudang | Percentage (%) | |:-------------------|:---------------| | PHARMANET SURABAYA | 10.1 | | PHARMANET BANDUNG | 7.2 | | PHARMANET SEMARANG | 7.1 | | PHARMANET MAKASSAR | 7.0 | | PHARMANET MEDAN | 6.9 | **Klaster 1 - Top 5 Distribusi Asal Gudang** | Asal Gudang | Percentage (%) | |:--------------------|:---------------| | PHARMANET BEKASI | 14.6 | | PHARMANET SURABAYA | 10.4 | | PHARMANET TANGERANG | 9.4 | | PHARMANET SOLO | 7.4 | | PHARMANET BANDUNG | 7.4 | **Klaster 2 - Top 2 Distribusi Asal Gudang** | Asal Gudang | Percentage (%) | |:-----------------|:---------------| | PHARMANET BOGOR | 91.9 | | PHARMANET JAKBAR | 8.1 | **Klaster 3 - Top 5 Distribusi Asal Gudang** | Asal Gudang | Percentage (%) | |:-------------------|:---------------| | PHARMANET SURABAYA | 26.4 | | PHARMANET SEMARANG | 12.5 | | PHARMANET BANDUNG | 10.2 | | PHARMANET MEDAN | 9.9 | | PHARMANET JAKTIM | 7.4 | Beberapa gudang seperti PHARMANET SURABAYA, BANDUNG, dan SEMARANG muncul sebagai penyedia layanan utama untuk beberapa klaster. PHARMANET BOGOR secara dominan melayani Klaster 2, yang dapat menjadi petunjuk untuk mencari akar masalah durasi internal yang lebih lama pada klaster ini. ### Wawasan Bisnis dan Rekomendasi Segmentasi ini memberikan kerangka kerja yang kuat untuk pengembangan strategi bisnis yang disesuaikan: 1. **Strategi Retensi & Layanan Khusus untuk Pelanggan VIP (Klaster 2)** * **Prioritas Utama:** Klaster 2 adalah segmen paling berharga dengan loyalitas produk Pharos 100.0% dan tingkat pembatalan terendah. **Sangat penting untuk menginvestigasi secara mendalam mengapa durasi proses internal (`SP to DO` dan `DO to Logbook`) untuk klaster ini lebih lama.** Ini adalah anomali yang kontraintuitif; pelanggan VIP seharusnya mendapatkan layanan tercepat. Temuan ini mungkin mengindikasikan bahwa pesanan mereka memerlukan penanganan khusus yang tidak efisien atau bahwa ada proses internal yang justru memperlambat. Ini harus menjadi area investigasi operasional nomor satu. * **Manajemen Akun:** Berikan manajer akun khusus, layanan pelanggan premium, dan insentif eksklusif. * **Ketersediaan Produk Pharos:** Pastikan ketersediaan stok produk Pharos yang optimal secara konsisten untuk klaster ini, terutama dari PHARMANET BOGOR yang melayani sebagian besar dari mereka. 2. **Mendorong Pertumbuhan Online dan Mempertahankan Loyalitas (Klaster 3)** * **Dukungan AO YN:** Klaster ini sangat aktif secara online dan loyal terhadap produk Pharos. Lanjutkan untuk mendukung partisipasi AO YN mereka melalui promosi eksklusif atau pelatihan penggunaan platform yang lebih baik. * **Perbaikan Pengiriman Terakhir:** Investigasi mengapa Klaster 3 memiliki durasi `Logbook to Received` terlama. Peningkatan efisiensi pengiriman dapat lebih meningkatkan kepuasan mereka. * **Target Produk:** Pantau `CLINOVIR CREAM 5GR` dan `NOURISH SKIN ULTIMATE 30'S` yang merupakan produk paling sering dibatalkan di klaster ini. 3. **Strategi Peningkatan Keterlibatan dan Mitigasi Risiko (Klaster 1)** * **Diversifikasi Produk:** Klaster ini menunjukkan preferensi produk campuran. Promosikan produk non-Pharos yang relevan untuk meningkatkan nilai keranjang belanja mereka. * **Penanganan Pembatalan**: Lakukan analisis akar masalah lebih lanjut untuk tingkat pembatalan moderat (4.1%). Identifikasi alasan umum pembatalan dalam segmen ini untuk merancang intervensi yang tepat. Produk-produk umum seperti `PRORIS 125MG SUPP 10'S` dan `CATAFLAM 50MG TAB 50'S` perlu diperhatikan. 4. **Manajemen Risiko dan Konversi Pelanggan Tradisional (Klaster 0)** * **Mitigasi Pembatalan Tinggi:** Klaster terbesar ini memiliki tingkat pembatalan tertinggi (8.6%). Ini adalah segmen berisiko tinggi yang memerlukan perhatian segera. Lakukan survei atau wawancara mendalam untuk memahami alasan pembatalan mereka. Pertimbangkan kebijakan retensi yang proaktif, seperti penawaran khusus atau layanan pelanggan yang ditingkatkan. * **Dorong Adopsi AO YN:** Karena tidak teridentifikasi partisipasi AO YN, ada peluang besar untuk mengedukasi dan mendorong outlet di klaster ini untuk bergabung dengan program Apotek Online, yang dapat meningkatkan efisiensi pemesanan dan mengurangi kesalahan manual. * **Fokus Produk:** Berikan perhatian khusus pada ketersediaan dan penawaran produk-produk yang sering dibatalkan di klaster ini, seperti `PRORIS 125MG SUPP 10'S` dan `MICROLAX GEL OBAT PENCAHAR 5ML`. Secara keseluruhan, segmentasi ini bukan hanya tentang mengelompokkan pelanggan, tetapi tentang mengungkapkan perilaku, kebutuhan, dan tantangan unik yang dihadapi oleh setiap kelompok. Dengan memahami perbedaan-perbedaan ini, perusahaan dapat bergerak dari pendekatan 'satu ukuran untuk semua' ke strategi yang sangat terfokus, yang pada akhirnya akan menghasilkan peningkatan kinerja yang signifikan dan hubungan pelanggan yang lebih kuat. ## 8. Kinerja Operasional & Preferensi Produk Berdasarkan Segmen Pelanggan Bab ini menganalisis kinerja operasional dan preferensi produk untuk setiap segmen pelanggan (outlet) yang telah diidentifikasi pada bab sebelumnya. Dengan memahami perbedaan dalam pola pengiriman, tingkat pembatalan, dan produk yang paling diminati atau dibatalkan oleh setiap klaster, kami dapat merancang strategi yang lebih terarah untuk meningkatkan efisiensi operasional dan kepuasan pelanggan di setiap segmen. ### Kinerja Operasional Berdasarkan Segmen Pelanggan #### Durasi Rata-rata Pemenuhan per Klaster (Pesanan Sukses) Analisis durasi rata-rata untuk setiap tahapan proses pemenuhan pesanan yang berhasil memberikan wawasan penting tentang bagaimana setiap klaster pelanggan dilayani. Penting untuk diingat bahwa, berdasarkan temuan kualitas data sebelumnya, catatan dengan durasi 'Logbook to Received days' negatif (akibat anomali data) telah dikecualikan dari perhitungan ini untuk memastikan keandalan metrik. | Klaster | Order ke SP (Hari) | SP ke DO (Hari) | DO ke Logbook (Hari) | Logbook ke Diterima (Hari) | |:--------|:-------------------|:----------------|:---------------------|:---------------------------| | 0 | 0.02 | 0.42 | 0.25 | 1.47 | | 1 | 0.02 | 0.36 | 0.23 | 1.41 | | 2 | 0.02 | 1.13 | 0.99 | 0.97 | | 3 | 0.02 | 0.47 | 0.38 | 2.43 | **Insight Bisnis & Anomali:** * **Kecepatan Proses Internal (Order ke SP):** Durasi dari "Order ke SP" sangat konsisten dan cepat di semua klaster (0.02 hari), menunjukkan efisiensi yang tinggi dan seragam pada tahap awal pemrosesan pesanan. * **Anomali Klaster 2 - Proses Internal Lebih Lambat:** Klaster 2, yang merupakan pelanggan VIP dengan nilai transaksi tertinggi dan risiko pembatalan terendah, secara aneh menunjukkan durasi "SP ke DO" (1.13 hari) dan "DO ke Logbook" (0.99 hari) yang **secara signifikan lebih lama** dibandingkan klaster lainnya. Ini adalah temuan krusial yang kontraintuitif; pelanggan terpenting justru mengalami penundaan di tahap internal. Ini memerlukan investigasi mendalam: apakah ada persyaratan penanganan khusus untuk pesanan VIP ini yang menyebabkan keterlambatan, ataukah ini merupakan inefisiensi yang tidak seharusnya memengaruhi segmen premium? * **Klaster 3 - Durasi Pengiriman Terlama:** Klaster 3, yang juga merupakan pelanggan bernilai tinggi dan aktif secara online, memiliki durasi "Logbook ke Diterima" terlama (2.43 hari). Ini menunjukkan potensi masalah pada tahap pengiriman terakhir untuk segmen ini, yang bisa berdampak pada kepuasan pelanggan meskipun mereka adalah pembeli yang loyal. * **Klaster 2 - Pengiriman Terakhir Tercepat:** Menariknya, setelah proses internal yang lebih lambat, Klaster 2 memiliki durasi "Logbook ke Diterima" tercepat (0.97 hari) di antara klaster yang datanya valid. Ini mungkin menunjukkan bahwa, setelah barang siap dikirim, mereka mendapatkan prioritas pengiriman yang sangat tinggi. **Rekomendasi:** * **Investigasi Prioritas untuk Klaster 2:** Segera selidiki akar penyebab durasi "SP ke DO" dan "DO ke Logbook" yang lebih lama untuk Klaster 2. Identifikasi apakah ini disebabkan oleh kompleksitas pesanan, penanganan khusus, atau inefisiensi. Tujuannya adalah untuk mengoptimalkan proses internal mereka tanpa mengorbankan kualitas layanan. * **Perbaikan Pengiriman Terakhir Klaster 3:** Evaluasi dan optimalkan proses pengiriman untuk Klaster 3 untuk mengurangi durasi "Logbook ke Diterima" mereka. Hal ini dapat mencakup negosiasi ulang dengan ekspedisi atau mencari mitra logistik yang lebih cepat untuk rute yang melayani klaster ini. #### Tingkat Pembatalan per Klaster (berdasarkan Nilai RO) Tingkat pembatalan sangat bervariasi antar klaster, menggarisbawahi pentingnya strategi yang disesuaikan untuk manajemen risiko. | Klaster | Tingkat Pembatalan (%) | |:--------|:-----------------------| | 0 | 1.1 | | 1 | 1.0 | | 2 | 0.5 | | 3 | 0.4 | **Insight Bisnis:** * **Klaster VIP Memiliki Risiko Terendah:** Klaster 2 dan 3, yang merupakan segmen pelanggan bernilai sangat tinggi dan tinggi, secara konsisten menunjukkan tingkat pembatalan terendah (0.5% dan 0.4%). Ini memperkuat status mereka sebagai pelanggan yang sangat berharga dan stabil. * **Klaster 0 Paling Berisiko:** Klaster 0, segmen terbesar dengan nilai menengah dan partisipasi AO YN rendah, memiliki tingkat pembatalan tertinggi (1.1%). Ini menegaskan bahwa Klaster 0 adalah segmen dengan risiko pembatalan yang signifikan dan memerlukan intervensi yang ditargetkan. **Rekomendasi:** * **Mitigasi Risiko Klaster 0:** Lakukan analisis akar penyebab pembatalan di Klaster 0. Ini bisa mencakup masalah ketersediaan produk, harga, atau layanan. Tawarkan insentif khusus atau program loyalitas untuk mengurangi tingkat pembatalan di segmen ini. ### Preferensi Produk Berdasarkan Segmen Pelanggan Analisis produk yang paling sering dibatalkan per klaster memberikan gambaran tentang produk-produk yang mungkin mengalami masalah ketersediaan, permintaan, atau daya tarik di segmen pelanggan tertentu. #### Klaster 0 - Top 5 Produk Dibatalkan (berdasarkan Nilai) Klaster ini memiliki tingkat pembatalan tertinggi dan mayoritas tidak berpartisipasi dalam AO YN. | Prodes | Value RO (Rp) | |:------------------------------|--------------:| | PRORIS 125MG SUPP 10'S | 29,190,364 | | MICROLAX GEL OBAT PENCAHAR 5 ML | 18,333,821 | | CATAFLAM 50MG TAB 50'S | 17,927,316 | | VOMARIN FLASH TAB 50'S | 16,077,281 | | MEFINAL 500MG CAP 100'S | 14,713,400 | #### Klaster 1 - Top 5 Produk Dibatalkan (berdasarkan Nilai) Klaster ini adalah pelanggan bernilai menengah dengan partisipasi AO YN tinggi. | Prodes | Value RO (Rp) | |:------------------------------|--------------:| | PRORIS 125MG SUPP 10'S | 52,301,484 | | CATAFLAM 50MG TAB 50'S | 14,317,300 | | MICROLAX GEL OBAT PENCAHAR 5 ML | 11,044,498 | | MEFINAL 500MG CAP 100'S | 8,898,658 | | VOMARIN FLASH TAB 50'S | 3,911,239 | **Insight Bisnis Klaster 0 & 1:** * Produk-produk seperti `PRORIS 125MG SUPP 10'S`, `MICROLAX GEL OBAT PENCAHAR 5 ML`, `CATAFLAM 50MG TAB 50'S`, dan `MEFINAL 500MG CAP 100'S` secara konsisten muncul sebagai produk yang paling sering dibatalkan di Klaster 0 dan 1. Ini mengindikasikan masalah umum terkait produk-produk ini (misalnya, ketersediaan stok, harga, atau strategi promosi) yang memengaruhi sebagian besar basis pelanggan. **Rekomendasi:** * **Audit Produk Rentan Pembatalan:** Lakukan audit menyeluruh terhadap rantai pasok dan strategi pemasaran untuk produk-produk yang sering dibatalkan di Klaster 0 dan 1. Pastikan ketersediaan stok yang memadai dan strategi harga yang kompetitif. Pertimbangkan komunikasi proaktif jika ada kendala stok. #### Klaster 2 - Top 3 Produk Dibatalkan (berdasarkan Nilai) Segmen VIP dengan risiko pembatalan terendah, fokus pada produk Pharos, dan partisipasi AO YN rendah. | Prodes | Value RO (Rp) | |:-----------------------------|--------------:| | NOURISH SKIN ULTIMATE 30'S | 9,868,457 | | VEGEBLEND 21JR VEG.EXTR.30'S | 1,783,872 | | NERIPROS 1MG TAB 30'S | 414,552 | #### Klaster 3 - Top 5 Produk Dibatalkan (berdasarkan Nilai) Segmen premium dan online aktif. | Prodes | Value RO (Rp) | |:-----------------------------|--------------:| | CLINOVIR CREAM 5GR | 17,323,075 | | NOURISH SKIN ULTIMATE 30'S | 8,136,075 | | NEBACETIN OINT 5GR | 5,135,040 | | PRAXION SUSP 60 ML RASA JERUK | 3,447,200 | | CLINOVIR 400MG TAB 30'S | 1,786,770 | **Insight Bisnis Klaster 2 & 3:** * Meskipun tingkat pembatalan Klaster 2 dan 3 rendah, produk `NOURISH SKIN ULTIMATE 30'S` muncul sebagai produk dengan nilai pembatalan yang signifikan di kedua klaster. Ini menunjukkan bahwa bahkan untuk pelanggan VIP dan premium, ada titik-titik sensitif terkait produk ini. * `CLINOVIR CREAM 5GR` dan `PRAXION SUSP 60 ML RASA JERUK` juga menonjol di Klaster 3. Hal ini mengindikasikan bahwa bahkan pelanggan yang setia pada produk Pharos dan aktif secara online masih memiliki potensi pembatalan untuk produk-produk tertentu yang perlu perhatian khusus. **Rekomendasi:** * **Fokus Produk Sensitif untuk Klaster VIP:** Lakukan analisis mendalam terhadap `NOURISH SKIN ULTIMATE 30'S` (untuk Klaster 2 dan 3), `CLINOVIR CREAM 5GR`, dan `PRAXION SUSP 60 ML RASA JERUK` (untuk Klaster 3). Pahami alasan pembatalan pada segmen berharga ini. Apakah ada masalah ketersediaan yang mendadak, perubahan permintaan musiman, atau faktor lain? Menjaga kepuasan pelanggan VIP ini terhadap produk-produk spesifik sangat penting. ### Distribusi Gudang Asal per Klaster Memahami gudang mana yang melayani setiap klaster dapat membantu mengidentifikasi potensi masalah operasional spesifik lokasi dan mengoptimalkan alokasi sumber daya. #### Klaster 0 - Top 5 Distribusi Asal Gudang | Asal Gudang | Persentase (%) | |:-------------------|:---------------| | PHARMANET SURABAYA | 10.1 | | PHARMANET BANDUNG | 7.2 | | PHARMANET SEMARANG | 7.1 | | PHARMANET MAKASSAR | 7.0 | | PHARMANET MEDAN | 7.0 | #### Klaster 1 - Top 5 Distribusi Asal Gudang | Asal Gudang | Persentase (%) | |:--------------------|:---------------| | PHARMANET BEKASI | 14.6 | | PHARMANET SURABAYA | 10.4 | | PHARMANET TANGERANG | 9.4 | | PHARMANET SOLO | 7.4 | | PHARMANET BANDUNG | 7.4 | #### Klaster 2 - Top 2 Distribusi Asal Gudang | Asal Gudang | Persentase (%) | |:-----------------|:---------------| | PHARMANET BOGOR | 91.9 | | PHARMANET JAKBAR | 8.1 | #### Klaster 3 - Top 5 Distribusi Asal Gudang | Asal Gudang | Persentase (%) | |:-------------------|:---------------| | PHARMANET SURABAYA | 26.4 | | PHARMANET SEMARANG | 12.5 | | PHARMANET BANDUNG | 10.2 | | PHARMANET MEDAN | 9.9 | | PHARMANET JAKTIM | 7.4 | **Insight Bisnis:** * **PHARMANET BOGOR & Klaster 2:** PHARMANET BOGOR secara dominan melayani Klaster 2 (91.9%). Hal ini sangat relevan dengan temuan durasi proses internal yang lebih lama pada Klaster 2. Investigasi di PHARMANET BOGOR sangat diperlukan untuk memahami praktik atau sistem yang menyebabkan penundaan ini. * **Peran Gudang Besar:** Gudang seperti PHARMANET SURABAYA, BANDUNG, dan SEMARANG melayani berbagai klaster dengan persentase yang signifikan. Ini menunjukkan peran sentral mereka dalam rantai pasok dan pentingnya menjaga efisiensi operasional di gudang-gudang tersebut. * **Potensi Lokalisasi Masalah:** Distribusi ini membantu melokalisasi potensi masalah operasional. Misalnya, jika Klaster 0 memiliki tingkat pembatalan tinggi, dan Klaster 0 dilayani oleh PHARMANET SURABAYA dan BANDUNG, maka masalah ketersediaan stok di gudang-gudang tersebut mungkin berkontribusi pada pembatalan. **Rekomendasi:** * **Audit Operasional PHARMANET BOGOR:** Segera lakukan audit operasional di PHARMANET BOGOR untuk memahami dan mengatasi penyebab keterlambatan proses internal untuk Klaster 2. Ini adalah prioritas utama untuk mempertahankan pelanggan VIP. * **Optimasi Gudang Berdasarkan Klaster:** Gunakan informasi distribusi gudang ini untuk mengoptimalkan kinerja. Jika ada masalah spesifik klaster (misalnya, tingkat pembatalan tinggi atau durasi pengiriman yang lama), hubungkan ini dengan gudang-gudang yang melayani klaster tersebut untuk menemukan solusi yang tepat sasaran. ### Kesimpulan dan Rekomendasi Umum Analisis kinerja operasional dan preferensi produk berdasarkan segmen pelanggan memberikan gambaran yang jelas tentang kekuatan dan kelemahan dalam melayani berbagai jenis outlet. 1. **Prioritas Utama - Kualitas Layanan Pelanggan VIP (Klaster 2):** * Meskipun Klaster 2 adalah pelanggan paling berharga dengan tingkat pembatalan terendah dan pengiriman terakhir tercepat, adanya durasi proses internal (SP ke DO, DO ke Logbook) yang signifikan lebih lama merupakan anomali kritis. **Investigasi segera di PHARMANET BOGOR diperlukan** untuk memahami dan mengeliminasi penundaan ini, memastikan pengalaman terbaik bagi pelanggan VIP. 2. **Mitigasi Risiko dan Peningkatan Konversi Klaster 0:** * Klaster 0 adalah segmen terbesar dengan tingkat pembatalan tertinggi. Perusahaan harus mengembangkan strategi yang ditargetkan untuk mengurangi pembatalan di segmen ini, termasuk analisis akar penyebab produk-produk yang sering dibatalkan (PRORIS, MICROLAX, CATAFLAM) dan mendorong adopsi program Apotek Online (AO YN) untuk meningkatkan efisiensi pemesanan mereka. 3. **Peningkatan Pengiriman Terakhir Klaster 3:** * Meskipun pelanggan bernilai tinggi dan aktif secara online, Klaster 3 mengalami durasi "Logbook ke Diterima" terlama. Perusahaan harus mengevaluasi kinerja ekspedisi yang melayani klaster ini dan mencari cara untuk mempercepat proses pengiriman terakhir demi meningkatkan kepuasan mereka. 4. **Manajemen Produk Strategis Berbasis Klaster:** * Identifikasi produk-produk yang secara konsisten dibatalkan di beberapa klaster (misalnya, PRORIS, CATAFLAM, MICROLAX) dan lakukan tindakan perbaikan di tingkat manajemen stok dan ketersediaan. * Untuk produk-produk spesifik yang dibatalkan di klaster VIP/premium (misalnya, NOURISH SKIN ULTIMATE di Klaster 2 dan 3, CLINOVIR CREAM di Klaster 3), lakukan analisis mendalam tentang alasan pembatalan dan pastikan ketersediaan serta penanganan yang optimal. Dengan menerapkan rekomendasi ini, perusahaan dapat bergerak menuju pendekatan yang lebih tersegmentasi dalam manajemen operasional dan produk, memaksimalkan nilai dari setiap segmen pelanggan, dan membangun hubungan yang lebih kuat dan berkelanjutan. ## 9. Rekomendasi Di tengah lanskap bisnis yang semakin kompetitif, pemanfaatan data untuk mengungkap wawasan tersembunyi menjadi kunci keberhasilan. Analisis komprehensif terhadap data pemenuhan pesanan pelanggan ini telah membuka tabir berbagai kekuatan operasional, area yang membutuhkan perbaikan mendesak, serta peluang strategis untuk pertumbuhan dan penguatan hubungan dengan pelanggan. Dari anomali data kritis hingga pola pembatalan pesanan dan segmentasi pelanggan yang nuanced, setiap temuan mengarah pada rekomendasi yang dapat ditindaklanjuti, dirancang untuk meningkatkan efisiensi, memitigasi risiko, dan mendorong kinerja bisnis yang lebih baik. Berikut adalah rekomendasi utama yang disusun berdasarkan temuan kritis dari analisis data ini: ### 1. Prioritas Utama: Perbaikan Kualitas Data Logistik (Anomali Tanggal Pengiriman) **Masalah Kritis:** Temuan paling mendesak adalah anomali data di mana `Tgl Diterima` (tanggal barang diterima) tercatat lebih awal dari `Tgl Logbook` (tanggal barang masuk area staging). Anomali ini terjadi pada 2,897 catatan (2.4% dari total catatan valid) dengan durasi negatif ekstrem, rata-rata mencapai -20,255 hari. Anomali ini terkonsentrasi di `Asal Gudang` **PHARMANET TANGERANG** (53.5% dari semua anomali negatif) dan **PHARMANET MEDAN** (18.7%), serta `Nama Ekspedisi` **PT CENTURY** (66.3% dari semua anomali negatif). **Dampak Bisnis:** Anomali ini secara fundamental menginvalidasi metrik kinerja pengiriman, membuat evaluasi akurat terhadap efisiensi ekspedisi dan gudang menjadi tidak mungkin. Ini juga menunjukkan adanya masalah serius dalam sistem pencatatan tanggal atau proses operasional di titik-titik tersebut. **Rekomendasi:** * **Investigasi Mendalam dan Perbaikan Sistem:** Segera lakukan audit mendalam terhadap sistem pencatatan tanggal di PHARMANET TANGERANG dan PHARMANET MEDAN, serta prosedur pelaporan dari PT CENTURY. Identifikasi akar penyebab masalah, apakah itu perbedaan zona waktu yang tidak terkelola, kesalahan entri data manual, keterlambatan sinkronisasi data antar sistem, atau definisi waktu yang tidak konsisten. * **Standardisasi dan Validasi Data:** Terapkan standar pencatatan waktu yang ketat dan sistem validasi otomatis untuk `Tgl Logbook` dan `Tgl Diterima` guna mencegah terulangnya anomali serupa. Pelatihan karyawan terkait pentingnya akurasi data juga krusial. * **Prioritas Perbaikan:** Fokuskan upaya perbaikan pada ekspedisi **PT CENTURY** dan gudang **PHARMANET TANGERANG** dan **MEDAN** mengingat kontribusi dominan mereka terhadap masalah ini. ```mermaid xychart-beta title "Top 5 Asal Gudang by Percentage of Negative Logbook-to-Received Durations" x-axis ['PHARMANET LAMPUNG', 'PHARMANET MAKASSAR', 'PHARMANET MALANG', 'PHARMANET MEDAN', 'PHARMANET TANGERANG'] y-axis "Percentage (%)" 0 --> bar [2.34, 3.01, 4.28, 7.49, 16.57] ``` ```mermaid xychart-beta title "Top 5 Nama Ekspedisi by Percentage of Negative Logbook-to-Received Durations" x-axis ['Media Transportasi Logistic', 'EXPD JAKSEL', 'ANDALAN 21 EXPRESS', 'EXPD INTERNAL SEMARANG', 'PT CENTURY'] y-axis "Percentage (%)" 0 --> bar [1.98, 2.82, 3.42, 4.55, 9.17] ``` ### 2. Optimalisasi Operasional dan Rantai Pasok Setelah masalah kualitas data teratasi, fokus dapat beralih ke peningkatan efisiensi operasional secara keseluruhan. **a. Pengelolaan Stok dan Disparitas Kuantitas** **Masalah Kritis:** Meskipun persentasenya kecil (0.3% dari pesanan sukses), adanya perbedaan antara `Qty RO` dan `Qty SP` (di mana `Qty RO > Qty SP` terjadi pada 75.3% kasus) menunjukkan terjadinya kekurangan pemenuhan pada tahap awal. Ini paling banyak terjadi pada produk **POLYSILANE TAB. KUNYAH 5X8TAB** dan **PRORIS SUSP 60 ML RASA JERUK**, serta di `Asal Gudang` **PHARMANET BANDUNG** dan **SURABAYA**, dan `Divisi` **VIBRANT PBF**. **Dampak Bisnis:** Kekurangan pemenuhan ini dapat menyebabkan ketidakpuasan pelanggan dan potensi kehilangan penjualan jika pelanggan mencari pemasok lain yang dapat memenuhi pesanan mereka secara penuh. **Rekomendasi:** * **Sistem Verifikasi Stok *Real-time*:** Kembangkan atau integrasikan sistem yang memungkinkan verifikasi stok *real-time* pada saat pesanan (RO) dibuat atau saat surat pesanan (SP) diterbitkan. Ini akan meminimalkan insiden `Qty RO > Qty SP`. * **Koordinasi Lintas Divisi:** Tingkatkan koordinasi antara tim penjualan/pemesanan dengan manajemen stok di gudang, khususnya di PHARMANET BANDUNG dan SURABAYA, serta Divisi VIBRANT PBF. * **Komunikasi Proaktif:** Jika terjadi kekurangan stok yang tidak dapat dihindari, komunikasikan secara proaktif dan transparan kepada pelanggan, serta tawarkan solusi alternatif (misalnya pengiriman terpisah, penggantian produk, atau pembatalan sebagian) untuk menjaga kepuasan. ```mermaid xychart-beta title "Quantity Discrepancy Percentages (Successful Orders)" x-axis ["Qty RO vs Qty SP", "Qty SP vs Qty DO"] y-axis "Percentage (%)" 0 --> 100 bar [0.27, 0.00] ``` **b. Peningkatan Efisiensi Pemenuhan Internal untuk Klaster VIP (Klaster 2)** **Anomali Bisnis:** Klaster 2, segmen pelanggan bernilai sangat tinggi, menunjukkan durasi proses internal (`SP to DO` dan `DO to Logbook`) yang secara signifikan lebih lama (1.13 hari dan 0.99 hari) dibandingkan klaster lainnya, meskipun mereka memiliki pengiriman terakhir tercepat. Klaster ini mayoritas dilayani oleh **PHARMANET BOGOR**. **Dampak Bisnis:** Penundaan pada tahap internal untuk pelanggan VIP dapat merusak pengalaman pelanggan, meskipun mereka memiliki tingkat pembatalan yang rendah. Ini mengindikasikan adanya inefisiensi yang perlu diperbaiki. **Rekomendasi:** * **Audit Proses di PHARMANET BOGOR:** Lakukan audit menyeluruh terhadap proses pemenuhan pesanan di PHARMANET BOGOR. Identifikasi apakah ada prosedur khusus, *bottleneck*, atau kendala sumber daya yang menyebabkan keterlambatan ini untuk Klaster 2. Tujuannya adalah untuk memastikan bahwa pelanggan VIP ini tidak hanya mendapatkan prioritas pengiriman akhir, tetapi juga pemrosesan internal yang efisien. * **Analisis Kebutuhan Khusus:** Jika penundaan disebabkan oleh persyaratan penanganan khusus (misalnya, kemasan khusus, sertifikasi, dll.), evaluasi apakah proses ini dapat dioptimalkan tanpa mengurangi kualitas layanan. **c. Percepatan Pengiriman Terakhir untuk Klaster Premium (Klaster 3)** **Masalah Bisnis:** Klaster 3, segmen pelanggan bernilai tinggi dan aktif secara online, memiliki durasi `Logbook to Received days` terlama (2.43 hari) di antara klaster yang data pengirimannya valid. **Dampak Bisnis:** Keterlambatan pengiriman terakhir dapat mengurangi kepuasan pelanggan, terutama bagi mereka yang aktif berinteraksi secara online dan mungkin mengharapkan kecepatan. **Rekomendasi:** * **Evaluasi Kinerja Ekspedisi:** Tinjau kinerja ekspedisi yang melayani Klaster 3 secara dominan. Pertimbangkan untuk bernegosiasi ulang SLA (Service Level Agreement) atau mencari mitra logistik alternatif yang dapat menawarkan waktu pengiriman yang lebih cepat untuk rute-rute yang melayani klaster ini. * **Analisis Rute dan Infrastruktur:** Pelajari rute pengiriman ke pelanggan di Klaster 3. Apakah ada kendala geografis atau infrastruktur yang dapat diatasi untuk mempercepat pengiriman? ```mermaid xychart-beta title "Average Fulfillment Stage Durations (Days)" x-axis ['Order to SP', 'SP to DO', 'DO to Logbook', 'Logbook to Received'] y-axis "Average Days" 0 --> bar [0.02, 0.37, 0.23, 1.35] ``` **d. Evaluasi Kinerja Ekspedisi Secara Menyeluruh** **Masalah Bisnis:** Setelah anomali data `Logbook to Received days` ditangani, evaluasi kinerja ekspedisi akan menjadi lebih akurat. Berdasarkan data valid yang tersedia saat ini, **LION PARCEL** menunjukkan durasi `Logbook to Received days` yang relatif lebih lama (1.79 hari) dibandingkan dengan ekspedisi lain yang datanya dapat diandalkan. **Rekomendasi:** * **Review Operasional LION PARCEL:** Lakukan tinjauan menyeluruh terhadap proses operasional LION PARCEL. Identifikasi peluang untuk mempercepat pengiriman dan tingkatkan kolaborasi untuk mencapai target SLA yang lebih baik. ```mermaid xychart-beta title "Expediters with Positive (Valid) Logbook to Received Durations (from fastest to slowest)" x-axis ['EXPD INTERNAL JAKSEL', 'EXPD JAKBAR', 'EXPD JAKTIM', 'Antaraja Same Day', 'EXPD INTERNAL BOGOR', 'EXPD SURABAYA 1', 'EXPD BANJARMASIN', 'EXPD BEKASI', 'EXPD Bogor (Sierra)', 'EXPD MEDAN', 'LION PARCEL'] y-axis "Average Days" 0 --> bar [0.01, 0.20, 0.24, 0.29, 0.35, 0.36, 0.40, 0.49, 0.50, 0.87, 1.79] ``` ### 3. Strategi Pengurangan Pembatalan Pesanan Pembatalan pesanan menyebabkan kerugian finansial yang signifikan (total Rp 528,933,612). Strategi yang ditargetkan sangat diperlukan. **a. Fokus pada Produk dengan Nilai Pembatalan Tinggi** **Masalah Kritis:** Produk seperti **PRORIS 125MG SUPP 10'S**, **CATAFLAM 50MG TAB 50'S**, dan **MICROLAX GEL OBAT PENCAHAR 5ML** secara konsisten menjadi kontributor utama nilai pembatalan di berbagai klaster pelanggan. **Dampak Bisnis:** Kerugian pendapatan yang besar dan potensi sinyal masalah pada manajemen produk tersebut (misalnya, ketersediaan, harga, atau permintaan). **Rekomendasi:** * **Audit Manajemen Produk:** Lakukan audit menyeluruh terhadap rantai pasok, perkiraan permintaan, dan strategi penetapan harga untuk produk-produk ini. Pastikan ketersediaan stok yang memadai di gudang-gudang utama, terutama yang melayani klaster dengan pembatalan tinggi. * **Analisis Pesaing:** Bandingkan harga dan ketersediaan produk-produk ini dengan pesaing. Apakah ada faktor eksternal yang memicu pembatalan? **b. Tinjauan Metode Pembayaran 'Term Of Payment'** **Masalah Bisnis:** Metode pembayaran **"Term Of Payment"** menunjukkan tingkat pembatalan tertinggi (1.5%), meskipun nilai pesanan rata-ratanya relatif rendah. **Dampak Bisnis:** Risiko finansial yang lebih tinggi dan beban operasional untuk memproses pembatalan. **Rekomendasi:** * **Evaluasi Kebijakan Kredit:** Tinjau ulang kebijakan dan prosedur untuk pembayaran "Term Of Payment". Pertimbangkan untuk memperketat kriteria kelayakan, melakukan verifikasi yang lebih ketat, atau mempersingkat jangka waktu pembayaran untuk pelanggan dengan riwayat pembatalan. * **Insentif Metode Lain:** Tawarkan insentif (misalnya, diskon kecil atau prioritas layanan) untuk mendorong pelanggan beralih ke metode pembayaran dengan tingkat pembatalan yang lebih rendah seperti "BCA Virtual Account". ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis ['BCA Virtual Account', 'BRIVA', 'Kredivo', 'Term Of Payment'] y-axis "Cancellation Rate (%) " 0 --> bar [0.8, 1.0, 0.0, 1.5] ``` **c. Penanganan Pembatalan di Gudang Berisiko Tinggi** **Masalah Bisnis:** Gudang **PHARMANET MEDAN** dan **PHARMANET TANGERANG** memiliki tingkat pembatalan relatif tertinggi (2.5% dan 2.6%). **Dampak Bisnis:** Kerugian penjualan terkonsentrasi di lokasi-lokasi ini. **Rekomendasi:** * **Audit Operasional Gudang:** Lakukan audit operasional di PHARMANET MEDAN dan TANGERANG, mirip dengan rekomendasi untuk perbaikan kualitas data. Identifikasi masalah manajemen stok, akurasi inventaris, atau proses pemenuhan yang mungkin berkontribusi pada tingkat pembatalan yang tinggi. **d. Strategi Mitigasi untuk Klaster 0 (Risiko Pembatalan Tertinggi)** **Masalah Bisnis:** Klaster 0 adalah segmen terbesar (3,722 outlet) dengan tingkat pembatalan tertinggi (1.1%) dan mayoritas tidak berpartisipasi dalam Apotek Online (AO YN). **Dampak Bisnis:** Klaster ini merupakan sumber utama kerugian pendapatan dari pembatalan. **Rekomendasi:** * **Analisis Akar Masalah Terperinci:** Lakukan survei atau wawancara mendalam dengan beberapa perwakilan outlet dari Klaster 0 untuk memahami alasan utama pembatalan mereka. Apakah itu masalah harga, layanan, ketersediaan produk, atau proses pemesanan? * **Program Retensi Bertarget:** Kembangkan program retensi khusus untuk Klaster 0, seperti penawaran diskon, layanan pelanggan proaktif, atau insentif untuk pesanan berkelanjutan. * **Edukasi dan Dorong Adopsi AO YN:** Berikan edukasi tentang manfaat program Apotek Online (AO YN). Tawarkan insentif untuk outlet di Klaster 0 agar bergabung dan menggunakan platform AO YN, yang dapat meningkatkan efisiensi pemesanan dan mengurangi kesalahan manual yang mungkin memicu pembatalan. ### 4. Strategi Pemasaran dan Penjualan Berbasis Segmentasi Pelanggan Pengelompokan pelanggan menjadi empat klaster menawarkan peluang emas untuk personalisasi strategi. **a. Mempertahankan dan Memanjakan Klaster 2 (Pelanggan VIP)** **Karakteristik:** Hanya 2 outlet, nilai transaksi sangat tinggi (rata-rata Rp 1,1 miliar), 100% produk Pharos, tingkat pembatalan terendah (0.5%), dan pengiriman terakhir tercepat (0.97 hari). **Rekomendasi:** * **Layanan Eksklusif:** Tetapkan manajer akun khusus untuk setiap outlet di klaster ini. Tawarkan layanan premium, seperti konsultasi bisnis gratis, akses awal ke produk baru Pharos, atau *dedicated support line*. * **Jaminan Ketersediaan Produk:** Pastikan ketersediaan 100% produk Pharos yang mereka butuhkan. Pertimbangkan untuk menyediakan stok khusus atau alokasi prioritas untuk pesanan mereka. * **Evaluasi Profitabilitas:** Meskipun nilai transaksinya tinggi, pastikan bahwa semua layanan premium yang diberikan tetap mendukung profitabilitas jangka panjang. **b. Mengembangkan dan Mendukung Klaster 3 (Pelanggan Premium Online)** **Karakteristik:** 46 outlet, nilai transaksi tinggi (rata-rata Rp 210 juta), 96.6% produk Pharos, tingkat pembatalan rendah (0.4%), dan 100% partisipasi AO YN. Namun, memiliki durasi `Logbook to Received days` terlama (2.43 hari). **Rekomendasi:** * **Promosi Berbasis AO YN:** Lanjutkan dukungan untuk partisipasi AO YN mereka. Tawarkan promosi eksklusif yang hanya tersedia melalui platform online, mendorong penggunaan berkelanjutan dan peningkatan nilai pesanan. * **Perbaikan Pengiriman (Ulang):** Atasi masalah durasi pengiriman terakhir yang panjang untuk klaster ini. Pengiriman yang lebih cepat akan semakin memperkuat kepuasan mereka. * **Target Produk Pharos:** Kembangkan kampanye pemasaran yang menargetkan produk Pharos spesifik yang mereka minati, dengan fokus pada nilai dan manfaat. Pantau `CLINOVIR CREAM 5GR` dan `NOURISH SKIN ULTIMATE 30'S` yang merupakan produk paling sering dibatalkan di klaster ini. **c. Meningkatkan Keterlibatan dan Loyalitas Klaster 1 (Pelanggan Online Menengah)** **Karakteristik:** 1,292 outlet, nilai transaksi menengah (rata-rata Rp 13.7 juta), 51.1% produk Pharos, tingkat pembatalan moderat (1.0%), dan 100% partisipasi AO YN. **Rekomendasi:** * **Diversifikasi Penawaran Produk:** Karena mereka memiliki preferensi produk campuran, promosikan berbagai produk, baik Pharos maupun non-Pharos yang relevan dengan kebutuhan mereka untuk meningkatkan nilai keranjang belanja. * **Analisis *Churn* & Pembatalan:** Lakukan analisis lebih lanjut tentang alasan pembatalan moderat di segmen ini. Apakah ada pola musiman atau tren produk tertentu yang memicu pembatalan? * **Program Loyalitas Bertingkat:** Tawarkan program loyalitas yang mendorong peningkatan frekuensi atau volume pesanan, dengan insentif yang relevan. **d. Mengedukasi dan Mengonversi Klaster 0 (Pelanggan Tradisional Berisiko)** **Karakteristik:** 3,722 outlet, nilai transaksi menengah (rata-rata Rp 6.97 juta), 56.2% produk Pharos, tingkat pembatalan tertinggi (1.1%), dan mayoritas tidak berpartisipasi AO YN. **Rekomendasi:** * **Kampanye Adopsi AO YN Agresif:** Luncurkan kampanye edukasi dan insentif yang kuat untuk mendorong outlet di Klaster 0 beralih ke program Apotek Online. Jelaskan manfaatnya secara jelas (misalnya, kemudahan pemesanan, diskon eksklusif online, pelacakan pesanan). * **Fokus pada Pengurangan Pembatalan:** Selaras dengan rekomendasi di atas, implementasikan program retensi yang ditargetkan dan analisis akar masalah untuk produk-produk yang sering dibatalkan di klaster ini (PRORIS, MICROLAX, CATAFLAM). * **Segmentasi Mikro:** Pertimbangkan untuk melakukan segmentasi lebih lanjut dalam Klaster 0 untuk mengidentifikasi sub-segmen dengan potensi pertumbuhan atau risiko yang lebih tinggi, sehingga strategi dapat lebih terfokus. **e. Pemanfaatan Preferensi Produk Pharos** **Insight:** Produk-produk Pharos (`Pharos YN = Y`) memiliki nilai pesanan rata-rata yang jauh lebih tinggi (Rp 557,928) dibandingkan non-Pharos (`N`, Rp 312,776). Namun, produk Pharos juga memiliki tingkat pembatalan yang sedikit lebih tinggi (1.1% berbanding 0.7%). **Rekomendasi:** * **Manajemen Produk Pharos Strategis:** Manfaatkan nilai tinggi produk Pharos sebagai pendorong penjualan utama. Namun, juga lakukan analisis sensitivitas harga dan ketersediaan untuk produk-produk Pharos bernilai tinggi. Pastikan manajemen stok dan komunikasi ketersediaan yang optimal untuk memitigasi tingkat pembatalan yang sedikit lebih tinggi. * **Komunikasi Nilai Tambah:** Sorot keunggulan dan nilai tambah produk Pharos kepada pelanggan, terutama untuk klaster yang menunjukkan loyalitas tinggi terhadap produk ini (Klaster 2 dan 3). ```mermaid xychart-beta title "Cancellation Rate by Pharos YN" x-axis ['N', 'Y'] y-axis "Cancellation Rate (%) " 0 --> bar [0.7, 1.1] ``` ### Kesimpulan Analisis mendalam terhadap data pemenuhan pesanan ini telah menyajikan peta jalan yang jelas untuk peningkatan kinerja. Dengan memprioritaskan perbaikan kualitas data logistik, mengoptimalkan proses operasional berdasarkan segmentasi pelanggan, serta merancang strategi pengurangan pembatalan yang ditargetkan, perusahaan dapat mengubah tantangan menjadi peluang. Implementasi rekomendasi ini diharapkan tidak hanya akan meningkatkan efisiensi dan mengurangi kerugian, tetapi juga memperkuat hubungan dengan setiap segmen pelanggan, mendorong pertumbuhan penjualan, dan memastikan keberlanjutan bisnis di masa depan.